Airflow知识总结

1.Airflow是什么

airflow是apache基金会的顶级开源项目之一，主要用于调度、监控工作流

2.airflow main concepts

airflow的基本组件架构

airflow scheduler.jpg

• scheduler：以有向无环图(dag)的形式创建任务工作流，根据用户的配置将任务定时/定期进行调度
• worker：任务的执行单元，worker会从任务队列当中拉取任务并运行任务
• webserver：任务与dag的web管理服务
• message queue： 任务的调度队列，一般使用redis或者rabbitMq作为broker
• metadata center： 所有任务、dag、日志的相关元信息均存储于metadata Center，一般使用MariaDB(MySQL)进行metadata管理

调度单元

• dag: airflow当中work flow的基本单位，通过配置Dag当中的相应参数确定调度时间、调度频率，通过实例化dag当中的task创建实际工作流
• task: task由operator以及task upstream/downstream两部分组成，airflow提供了非常丰富的operator能够对接各类平台与系统实现任务执行，任务之间通过简单的上下游关系建立关系组成工作流
• queue：airflow通过队列一方面可以实现用户管理(不同的用户绑定不同的队列)，另一方面可以实现分布式任务调度(一个队列对应多个分布式服务器)

调度参数

• 调度时间，包括dag的开始时间、调度时间间隔、调度重试次数、调度重试间隔、初始调度是否往前追加等

• 并发参数，包括整个ariflow服务最大并发task数，单个dag最大的任务并发数，以及单个dag最大的并发dag_run数目

  
  
  airflow concurrency.jpg
• 自定义参数，包括一套使用Jinja2格式的自定义宏参数

3.airflow实践

目前我们在生产环境使用airflow主要还是用于金融数据的ETL，ETL框架的基本结构如下图所示

airflow etl structure.png

我们的所有基础设施都是基于Openshift搭建的私有云，所有的airflow组件均实现容器化部署，容器化的好处主要在于快速的持续集成与发布，同时airflow关键组件均能实现主备容灾与弹性扩缩容.
所有的数据经过ETL处理之后存储于本地的数据仓库当中(时间序列金融数据库与对象存储数据文件).
通过插件将airflow与apache Atlas集成，构建数据生产流任务的血缘关系，进行数据治理，通过Amundsen集成数据检索与数据读写接口，将ETL后的数据开放给用户使用.

4.使用当中遇到的各类问题：

• ETL调度时间问题：
  这个常见的问题可能每一个初次接触airflow的人都会遇到，airflow任务的实际调度时间比设置的调度时间晚一天，这个是因为airflow被设计用于ETL任务调度，而ETL的特点就是等待原始数据收集/预处理完毕之后，再进行运行，比如20200101这一天的ETL任务，实际上会在20200102的凌晨进行运行

  
  
  airflow execution date.jpg

• mysql死锁问题：
  此问题在我们前期使用airflow的过程中，频繁出现，问题表现为任务不调度，同时airflow调度器日志显示mysql deadlock，此问题根因为airflow代码bug导致，在scheduler管理任务的过程当中，对task_instance表单会同时有2个查询，而这2个查询在一定情况会发生死锁，感谢我的大佬同事去社区和airflow维护者讨论之后找到了问题根因并修复了这个bug(airflow 1.10后的版本修复了查询语句，防止了死锁的出现)

  
  
  airflow-deadlock.jpg
• HA问题，scheduler单点故障:
  前期没有搭建私有云，airflow服务均部署在单台服务器之上，唯一的可靠性保障就是用supervisor保障服务进程持续运行，但是服务器的故障无法避免，后期基础设施云化之后可以保障服务器层面上面的可靠性，同时我们也在本地服务器上面保存了手动运行的脚本，保证私有云故障时可以在本地快速搭建临时服务
• 任务集中化监控问题，硬件监控，服务监控，业务任务监控：
  airflow有比较方便的webUI，但是有一个很大的问题就是无法实现任务的集中化监控，任务的集中化最高一级只能到Dag层面，而我们常常需要根据业务属性集中化监控几个甚至几十个Dag的所有任务
  对于这种场景，我们一方面搭建了一套ELK日志系统(airflow -> kafka -> logstash -> kibana)，在logstash当中根据业务分类创建相应的日志index，最后在kibana当中显示定制化的dashboard. 另一方面我们的airflow集成了atlas，可以根据任务之间的血缘关系管理与监控整个生产流的任务状态