Airflow环境搭建

1 Airflow简介

1.1 简介

Apache Airflow是⼀个提供基于DAG（有向⽆环图）来编排⼯作流的、可视化的分布式任务调度平台（也可单机），与Oozie、Azkaban等调度平台类似。Airflow在2014年由Airbnb发起，2016年3⽉进⼊Apache基⾦会，在2019年1⽉成为顶级项⽬。Airflow采⽤Python语⾔编写，并提供可编程⽅式定义DAG⼯作流（编写Python代码）。当⼯作流通过代码来定义时，它们变得更加可维护、可版本化、可测试和协作。

Airflow的可视化界⾯提供了⼯作流节点的运⾏监控，可以查看每个节点的运⾏状态、运⾏耗时、执⾏⽇志等。也可以在界⾯上对节点的状态进⾏操作，如：标记为成功、标记为失败以及重新运⾏等。在Airflow中⼯作流上每个task都是原⼦可重试的，⼀个⼯作流某个环节的task失败可⾃动

或⼿动进⾏重试，不必从头开始跑。

Airflow通常⽤在数据处理领域，也属于⼤数据⽣态圈的⼀份⼦。当然Airflow也可以⽤于调度⾮数据处理的任务，只不过数据处理任务之间通常都会存在依赖关系。⽽且这个关系可能还⽐较复杂，⽤crontab等基础⼯具⽆法满⾜，因此更需要被调度平台编排和管理。

例如：

时间依赖：任务需要等待某⼀个时间点触发

外部系统依赖：任务依赖外部系统需要调⽤接⼝去访问

任务间依赖：任务 A 需要在任务 B 完成后启动，两个任务互相间会产⽣影响

资源环境依赖：任务消耗资源⾮常多， 或者只能在特定的机器上执⾏

Airflow拥有和 Hive、Presto、MySQL、HDFS、Postgres 和 S3 交互的能力，并且拥有很好地扩展性。除了一个命令行界面，该工具还提供了一个基于 Web 的用户界面让您可以可视化管道的依赖关系、监控进度、触发任务等。

传统 Workflow 通常使用 TextFiles (json,xml/etc ) 来定义 DAG ,然后 Scheduler 解析这些 DAG 文件形成具体的 TaskObjec t执行； Airflow 没这么干，它直接用 Python 写 DAG definition ,一下子突破了文本文件表达能力的局限，定义 DAG 变得简单。

1.2 设计原则

动态：Airflow配置为代码（Python），允许动态生成pipeline。 这允许编写动态实例化的pipelines代码。

自定义：轻松定义自己的opertators，执行程序并扩展库，使其符合适合您环境的抽象级别。

优雅：Airflow精益而明确。 使用强大的Jinja模板引擎将参数化脚本内置于Airflow的核心。

可扩展：Airflow具有模块化体系结构，并使用消息队列来协调任意数量的工作者。 Airflow已准备好扩展到无限远。

特点

Python脚本实现DAG，非常容易扩展

可实现复杂的依赖规则

外部依赖较少，搭建容易，仅依赖DB和rabbitmq

工作流依赖可视化。有一套完整的UI，可视化展现所有任务的状态及历史信息

完全支持crontab定时任务格式，可以通过crontab格式指定任务何时进行

业务代码和调度系统解耦，每个业务的流程代码以独立的Python脚本描述，里面定义了流程化的节点来执行业务逻辑，支持任务的热加载

1.3 功能简介

2 Airflow架构详解

2.1 Airflow服务架构

如上图所示，airflow主要包含以下服务

DAGs:

开发者自定义的DAG调度脚本，存放路径由airflow.cfg中的dags_folder参数决定

Airflow.cfg:

该文件非常重要，默认在$AIRFLOW_HOME的路径下，主要配置了我们需要用到的所有组件信息以及一些配置参数。

Scheduler:

负责处理触发计划的工作流，并将任务提交给executor运行

Worker(s):

负责执行调度任务的节点，当任务很大时，可以合理增加Worker节点来水平扩展集群，并将这些新的节点指向同一个元数据库，从而分发处理过程。

Executor:

executor负责运行tasks，Airflow安装时每次只有一个executor,executor被定义为Airflowconfig文件(airflow.cfg)的核心部分。

executor分两种，localexecutor和remote executor。local包括DebugExecutor，LocalExecutor和SequentialExecutor。remote executor包括CeleryExecutor和KubernetesExecutor。local用于在本地执行任务，在scheduler线程内部。remote executor在远程执行任务，比如在Kubernets cluster的一个pod中，且常通过一系列workers/worker pool实现。

Web Server:

提供一个方便的用户界面来检查、触发和调试DAG 和任务的平台

Metadata DB

Airflow的元数据库信息，用于保存executor、scheduler和web server的相关数据。默认使用SQLite，Airflow可使用任何SQLAlchemy支持的数据库，比如Mysql,Postgre等，一般情况用于常选择PostgreSQL。

2.2 WebServer

Airflow 提供了一个可视化的 Web 界面。启动 WebServer 后，就可以在 Web 界面上查看定义好的 DAG 并监控及改变运行状况。也可以在 Web 界面中对一些变量进行配置。

1.左侧 On/Off 按钮控制DAG 的运行状态，Off 为暂停状态，On 为运行状态。注意：所有 DAG 脚本初次部署完成时均为 Off 状态。

2.若 DAG 名称处于不可点击状态，可能为 DAG 被删除或未载入。若 DAG 未载入，可点击右侧刷新按钮进行刷新。注意：由于可以部署若干 WebServer，所以单次刷新可能无法刷新所有 WebServer 缓存，可以尝试多次刷新。

3.Recent Tasks 会显示最近一次 DAG Run（可以理解为 DAG 的执行记录）中 Task Instances（可以理解为作业的执行记录）的运行状态，如果 DAG Run 的状态为 running，此时显示最近完成的一次以及正在运行的 DAG Run 中所有 Task Instances 的状态。

4.Last Run 显示最近一次的 execution date。注意：execution date 并不是真实执行时间，具体细节在下文 DAG 配置中详述。将鼠标移至 execution date 右侧 info 标记上，会显示 start date，start date 为真实运行时间。start date 一般为 execution date 所对应的下次执行时间。

5．点击指定的DAG就能看到整个DAG的相关task，根据设定的依赖关系以树状方式呈现

2.3 Task操作

在 DAG 的树状图和 DAG 图中都可以点击对应的 Task Instance 以弹出 Task Instance 模态框，以进行 Task Instance 的相关操作。注意：选择的 Task Instance 为对应 DAG Run 中的 Task Instance。

Task InstanceDetails 显示该 Task Instance 的详情，可以从中得知该 Task Instance 的当前状态，以及处于当前状态的原因。例如，若该 TaskInstance 为 no status 状态，迟迟不进入queued 及 running 状态，此时就可通过 TaskInstance Details 中的 Dependency 及 Reason 得知原因。

Rendered 显示该 Task Instance 被渲染后的命令。

Run 指令可以直接执行当前作业。

Clear 指令为清除当前 Task Instance 状态，清除任意一个 Task Instance 都会使当前 DAG Run 的状态变更为 running。注意：如果被清除的 Task Instance 的状态为 running，则会尝试 kill 该 Task Instance 所执行指令，并进入 shutdown 状态，并在 kill 完成后将此次执行标记为 failed（如果 retry 次数没有用完，将标记为 up_for_retry）。Clear 有额外的5个选项，均为多选，这些选项从左到右依次为：

Past: 同时清除所有过去的 DAG Run 中此 Task Instance 所对应的 Task Instance。

Future: 同时清除所有未来的 DAG Run 中此 Task Instance 所对应的 Task Instance。注意：仅清除已生成的 DAG Run 中的 Task Instance。

Upstream: 同时清除该 DAG Run 中所有此 Task Instance 上游的 Task Instance。

Downstream: 同时清除该 DAG Run 中所有此 Task Instance 下游的 Task Instance。

Recursive: 当此 Task Instance 为 sub DAG 时，循环清除所有该 sub DAG 中的 Task Instance。注意：若当此 Task Instance 不是 sub DAG 则忽略此选项。

Mark Success 指令为讲当前 Task Instance 状态标记为 success。注意：如果该 Task Instance 的状态为 running，则会尝试 kill 该 Task Instance 所执行指令，并进入 shutdown 状态，并在 kill 完成后将此次执行标记为 failed（如果 retry 次数没有用完，将标记为 up_for_retry）。

2.4 Worker

一般来说我们用Celery Worker 来执行具体的作业。Worker 可以部署在多台机器上，并可以分别设置接收的队列。当接收的队列中有作业任务时，Worker 就会接收这个作业任务，并开始执行。Airflow 会自动在每个部署 Worker 的机器上同时部署一个 Serve Logs 服务，这样我们就可以在 Web 界面上方便的浏览分散在不同机器上的作业日志了。

2.5 Scheduler

调度器实际上就是一个 airflow.jobs.SchedulerJob 实例 job 持续运行 run 方法，job.run() 在开始时将自身的信息加入到 job 表中，并维护状态和心跳，预期能够正常结束，将结束时间也更新到表中，如果异常中断，导致结束时间为空。不管是如何进行的退出，SchedulerJob退出时会关闭所有子进程。

整个 Airflow 的调度由 Scheduler负责发起，每隔一段时间Scheduler 就会检查所有定义完成的DAG 和定义在其中的作业，如果有符合运行条件的作业，Scheduler就会发起相应的作业任务以供Worker 接收。

Scheduler 的调度过程如下：

遍历 dags 路径下的所有 dag 文件, 启动一定数量的进程（进程池），并且给每个进程指派一个 dag 文件。 每个 DagFileProcessor 解析分配给它的dag文件，并根据解析结果在 DB中创建DagRuns 和 TaskInstance。

在scheduler_loop 中，检查与活动 DagRun 关联的 TaskInstance 的状态，解析 TaskInstance 之间的任何依赖，标识需要被执行的 TaskInstance，然后将它们添加至 executor 队列，将新排列的 TaskInstance 状态更新为QUEUED状态。

每个可用的executor 从队列中取一个 TaskInstance，然后开始执行它，将此 TaskInstance 的数据库记录更新为SCHEDULED。

当一个TaskInstance 完成运行，关联的 executor 就会报告到队列并更新数据库中的 TaskInstance 的状态（例如“完成”、“失败”等）。

一旦所有的dag处理完毕后，就会进行下一轮循环处理。这里还有一个细节就是上一轮的某个dag的处理时间可能很长，导致到下一轮处理的时候这个dag还没有处理完成。 Airflow 的处理逻辑是在这一轮不为这个dag创建进程，这样就不会阻塞进程去处理其余dag。

2.6 Flower

Flower 监控worker进程的存活性，启动或关闭worker进程，查看运行的task。

3 Airflow核心概念

3.1DAGs

DAG是一个有向无环图，它是task的集合，并且定义了这些task之间的执行顺序和依赖关系。比如，一个DAG包含A，B，C，D四个任务，A先执行，只有A运行成功后B才能执行，C只有在A，B都成功的基础上才能执行，D不受约束，随时都可以执行。DAG并不关心它的组成任务所做的事情，它的任务是确保他们所做的一切都在适当的时间，或以正确的顺序进行，或者正确处理任何意外的问题。

DAG 是在标准 Python 文件中定义的，这些文件放在 Airflow 的DAG_FOLDER中。Airflow 将执行每个文件中的代码以动态构建DAG对象。 您可以拥有任意数量的 DAG，每个 DAG 都可以描述任意数量的任务。通常，每个应该对应于单个逻辑工作流。

整个 DAG 的配置就是一份完整的 Python 代码，在代码中实例化 DAG，实例化适合的 Operator，并通过 set_downstream 等方法配置上下游依赖关系。下面我们简单看一下在 DAG 配置中的几个重要概念。

dag_id:给 DAG 取一个名字，方便日后维护。

dafault_args:默认参数，当属于这个 DAG 实例的作业没有配置相应参数时，将使用 DAG 实例的 default_args 中的相应参数。

schedule_interval:配置 DAG 的执行周期，语法和 crontab 的一致。

3.2 Task

task是Dag里最小的单元，是Dag的实例化，task之间存在依赖关系，每一个task执行都有对应的日志存在。task定义任务的类型、任务内容、任务所依赖的dag等。dag中每个task都要有不同的task_id。任务之间通过task.set_upstream/task.set_downstream来设置依赖，也可以用位运算：

t1 >> t2 << t3 表示t2依赖于t1和t3。

3.3 TaskInstance

记录Task的一次运行，TaskInstance有自己的状态，包括：running、success、failed、 skipped、up forretry等。

3.4 Sensors

Sensors是一个等待（轮询）某一时间、文件、数据库行、S3键、另一个DAG/Task等的Operator。

Airflow有3种不同的传感器运作模式:

3.5 Operator

Operator即为操作器，定义任务该以哪种方式执行。airflow有多种operator,如BashOperator、DummyOperator、MySqlOperator、HiveOperator以及社区贡献的operator等，其中BaseOperator是所有operator的基础operator。

Operator 主要有三种类型:

执行一项操作或在远程机器上执行一项操作。

将数据从一个系统移动到另一个系统

类似传感器，是一种特定类型Operator，它将持续运行，直到满足某种条件。例如在 HDFS 或 S3 中等待特定文件到达，在 Hive 中出现特定的分区或一天中的特定时间，继承自 BaseSensorOperator。

3.6 BaseOperator

所有的 Operator 都是从BaseOperator 派生而来，并通过继承获得更多功能。因此BaseOperator的参数也是其他Operator的参数。

3.7 Pools

当有太多的进程同时冲击时，一些系统会不堪重负。Airflow Pools可以用来限制任意任务集的执行并行性。Pools的列表是在用户界面(Menu -> Admin -> Pools)中管理的，给Pools一个名字，并给它分配一定数量的工作槽。然后，任务可以通过在创建任务（即实例化操作者）时使用池参数与现有池之一相关联。

池参数可以和priority_weight一起使用，以定义队列中的优先级，当池中有空位时，哪些任务会被首先执行。默认的priority_weight是1，也可以提升到任何数字。当对队列进行排序以评估哪个任务应该被接下来执行时，我们使用priority_weight，并与该任务下游的所有priority_weight值相加。你可以用它来提升一个特定的重要任务，而通往该任务的整个路径都会得到相应的优先级。

3.8 Connections

连接到外部系统所需的信息存储在Airflow元存储数据库中，可以在用户界面中管理(Menu -> Admin-> Connections)。一个conn_id被定义在那里，主机名/登录/密码/模式信息被附加到它上面。Airflow管线通过指定相关的conn_id来检索集中管理的连接信息.

3.9 Xcoms

XComs让任务交换信息，允许更细微的控制形式和共享状态。这个名字是 "交叉通信 "的缩写。XComs主要由一个键、值和时间戳来定义，但也跟踪一些属性，如创建XCom的task/DAG，以及它何时应该变得可见。任何可以被提取的对象都可以作为XCom值，所以用户应该确保使用适当大小的对象。

XComs可以被 “推”（发送）或 “拉”（接收）。当一个任务推送一个XCom时，它使其他任务普遍可用。任务可以在任何时候通过调用xcom_push()方法推送XComs。此外，如果一个任务返回一个值（无论是从它的操作者的execute()方法，还是从PythonOperator的python_callable函数），那么包含该值的XCom会自动被推送。

任务调用xcom_pull()来检索XComs，可以选择应用基于key、源task_ids和源dag_id等标准的过滤器。默认情况下，xcom_pull()过滤的是XComs在被推送时由执行函数返回而自动给出的键（而不是手动推送的XComs）。

如果xcom_pull传递的是单个字符串的task_ids，那么将返回该任务的最新XCom值；如果传递的是task_ids的列表，那么将返回相应的XCom值的列表。

3.10 Variables

变量是一种通用的方式来存储和检索任意的内容或设置，作为Airflow中一个简单的键值存储。变量可以从用户界面(Admin ->Variables),、代码或CLI中列出、创建、更新和删除。此外，json设置文件也可以通过用户界面批量上传。虽然你的管道代码定义和你的大多数常量和变量应该在代码中定义，并存储在源控制中，但让一些变量或配置项目通过用户界面访问和修改是非常有用的。

3.11 Hooks

Hooks是连接外部平台和数据库的接口，如Hive、S3、MySQL、Postgres、HDFS和Pig。Hooks在可能的情况下实现一个通用接口，并作为操作者的构建块。它们也使用airflow.models.connection.Connection模型来检索主机名和认证信息。Hooks将认证代码和信息从管道中分离出来，集中在元数据数据库中。

Hooks本身在Python脚本、Airflowairflow.operators.PythonOperator以及iPython或Jupyter Notebook等交互式环境中使用也非常有用。

4 环境搭建——安装Python

4.1 安装软件环境

CentOS 7.X

Python 3.7或以上版本（推荐）

Postgres 11.9

Apache-Airflow 2.1.4

最好是虚拟机可以上网，方便在线安装

4.2 安装依赖环境

输入命令：

yum -y install zlib-devel bzip2-developenssl-devel ncurses-devel sqlite-devel readline-devel tk-devel gdbm-develdb4-devel libpcap-devel xz-devel

4.3 下载安装包

cd /usr/local/

wget https://www.python.org/ftp/python/3.7.4/Python-3.7.4.tgz

检查下载的安装包

如果出现 找不到wget命令，输入yum-y install wget，依赖将会被安装

4.4 安装Python3

安装在/usr/local/python3（具体安装位置看个人喜好）

创建目录： mkdir -p /usr/local/python3

解压安装包：tar -zxvf Python-3.7.4.tgz

解压后出现python的文件夹

4.5 进入解压后的目录，编译安装

（编译安装前需要安装编译器yum install gcc）

安装gcc

输入命令 yum install gcc，确认下载安装输入“y”

（2）3.7版本之后需要一个新的包libffi-devel

yum install libffi-devel -y

（3）进入python文件夹，生成编译脚本(指定安装目录)：

cd Python-3.7.4

./configure--prefix=/usr/local/python3

（4）编译：make

（5）编译成功后，编译安装：make install

安装成功

（6）检查python3.7的编译器：/usr/local/python3/bin/python3.7

4.6 建立Python3和pip3的软链

ln -sf /usr/local/python3/bin/python3.7/usr/bin/python3

ln -sf /usr/local/python3/bin/pip3/usr/bin/pip3

4.7 并将/usr/local/python3/bin加入PATH

# .bash_profile

# Get the aliases and functions

if [ -f ~/.bashrc ]; then

. ~/.bashrc

fi

# User specific environment and startupprograms

PATH=$PATH:$HOME/bin:/usr/local/python3/bin

export PATH

4.8 检查Python3及pip3是否正常可用

python3 -V

pip3 -V

5 环境搭建——安装Postgre

5.1 下载安装包

官网https://www.postgresql.org/

https://www.postgresql.org/ftp/source/v11.9/

下载后上传到Centos对应的路径，如下：

5.2 解压

mkdir /opt/postgresql

mv /home/efron/postgresql-11.9.tar.gz /opt/postgresql

cd /opt/postgresql

tar zxvf postgresql-11.9.tar.gz

5.3 编译

mkdir /usr/local/postgresql

cd /opt/postgresql/postgresql-11.9

./configure --prefix=/usr/local/postgresql

5.4 安装

make && make install

进入安装后的目录，查看目录结构

cd /usr/local/postgresql

创建目录data、log

mkdir /usr/local/postgresql/data

mkdir /usr/local/postgresql/log

5.5 加入系统环境变量

vim /etc/profile

在最后写入如下内容

PGHOME=/usr/local/postgresql

export PGHOME

PGDATA=/usr/local/postgresql/data

export PGDATA

PATH=$PATH:$HOME/.local/bin:$HOME/bin:$PGHOME/bin

export PATH

使配置文件生效

source /etc/profile

5.6 增加用户 postgres 并赋权

adduser postgres

chown -R postgres:root /usr/local/postgresql/

5.7 初始化数据库

su postgres

/usr/local/postgresql/bin/initdb -D/usr/local/postgresql/data/

5.8 编辑配置文件

vim/usr/local/postgresql/data/postgresql.conf

listen_addresses = '*'

port = 5432

5.9 启动数据库服务

pg_ctl start -l/usr/local/postgresql/log/pg_server.log

查看版本

psql -V

5.10 登录数据库

psql -U postgres -d postgres

修改密码：

alter user postgres password"airflow"

5.11 创建airflow数据库

create database airflow;

GRANT ALL PRIVILEGES ON DATABASE airflow TO postgres;

/*Also note that since SqlAlchemy does not expose a way to targeta specific schema in the database URI, you may want to set a default schema foryour role with a SQL statement similar to */

ALTER ROLE postgres SET search_path = airflow, foobar

如果是Mysql数据库，执行以下操作

Create database airflowdb;

--创建用户airflow,设置所有IP均可以访问

Create user ‘airflow’@’%’ identified by ‘12345678’;

Create user ‘airflow’@’localhost’ identified by ‘12345678’;

--用户授权

Grant all on airflowdb.* to ‘airflow’@’%’;

--设置口令的级别

Set GLOBAL explicit_defaults_fow_timestamp = 1;

Flush privileges;

使用Dbeaver连接元数据库（这一步不是必须）

pg 元数据库连接，

6 环境搭建——安装Airflow

Airflow安装方式有多种，可以选择拉取镜像安装，如果是在云平台的K8S,还可以通过控制台实现一键安装

为了达到学习和练习的目的，我推荐如下安装方式，也是官网推荐的一种安装方式：本地安装(RunningAirflow locally)，对应的官网地址：

https://airflow.apache.org/docs/apache-airflow/stable/start/local.html

6.1 创建虚拟环境

python3 -m venv tutorial-env

##激活虚拟环境

# On Windows, run:

# tutorial-env\Scripts\activate.bat

# On Unix or MacOS, run:

source/usr/local/airflow/tutorial-env/bin/activate

6.2 检查pip版本,升级到最新

pip3 -V

pip3 install --upgrade pip

6.3 开始安装

# Airflow needs a home. `~/airflow` is thedefault, but you can put it

# somewhere else if you prefer (optional)

export AIRFLOW_HOME=/usr/local/airflow/

echo "exportAIRFLOW_HOME=/usr/local/airflow" >> ~/.bashrc

# Install Airflow using the constraintsfile

AIRFLOW_VERSION=2.1.4

PYTHON_VERSION="$(python3 --version| cut -d " " -f 2 | cut -d "." -f 1-2)"

# For example: 3.6

CONSTRAINT_URL="https://raw.githubusercontent.com/apache/airflow/constraints-${AIRFLOW_VERSION}/constraints-${PYTHON_VERSION}.txt"

# For example:https://raw.githubusercontent.com/apache/airflow/constraints-2.2.5/constraints-3.6.txt

pip3 install"apache-airflow==${AIRFLOW_VERSION}" --constraint"${CONSTRAINT_URL}"

# The Standalone command will initialisethe database, make a user,

# and start all components for you.

airflow standalone

6.4 自定义元数据库类型

# 元数据库默认是Sqllit数据库，如果是其他数据库，需要修改对应的配置类型，我们选择的是Postgre,因此按照如下方式修改即可.

vim /usr/local/airflow/airflow.cfg

sql_alchemy_conn =postgresql+psycopg2://postgres:airflow@localhost:5432/airflow

6.5 安装psycopg2

# 因为安装时，python需要去连接Postgre数据库，因此还需要安装psycopg2

pip3 install psycopg2

6.6 元数据库初始化

airflow db init

报错问题解决：

# ImportError: libpq.so.5: cannot openshared object file: No such file or directory

cd /etc/ld.so.conf.d

echo "/usr/local/postgresql/lib">> pgsql.conf

ldconfig

find / -name libpq.so.5

找到

/usr/local/postgresql/lib/libpq.so.5

lib下明明有，但还是报这个错

原来是没有将gp的lib目录添加到环境变量中

vim ~/.bashrc

添加

exportLD_LIBRARY_PATH=/usr/local/postgresql/lib

source ~/.bashrc

find / -name pg_hba.conf

找到

/usr/local/postgresql/data/pg_hba.conf

添加

host postgres all 127.0.0.1/32 ident

如果出现schema没有指定的错误，需要修改一个参数文件

Vim /usr/local/postgresql/data/postgresql.conf

将 search_path参数打开

6.7 创建Web UI登陆用户

--管理员账号

airflow users create \

--username airflow \

--firstname efron \

--lastname shu \

--role Admin \

--email [email protected]

此时会提示设置密码，按提示输入账号密码即可.

6.8 启动webserver和scheduler

source /usr/local/airflow/tutorial-env/bin/activate

检查端口：

netstat -ntlp | grep 8080

airflow scheduler -D

airflow webserver --port 8080 -D

6.9 Web端口开放

点击”Tunneling”配置映射端口到本地

6.10 Web登陆Airflow

http://127.0.0.1:8080/

airflow/airflow

至此，Airflow的环境就部署完成了