Azkaban快速入门

先说一些废话

因为之前自己工作中有用过Azkaban作为自动化任务调度工具，所以想参考自己之前的使用经验，总结一下关于Azkaban的使用，方便大家使用Azkaban快速实现企业级自动化任务

如何选择市面上的任务调度工具

简单的任务
Linux crontab是用来定期执行程序的命令
复杂的任务
Oozie/Azkaban/Airflow/DolphinScheduler
Azkaban 是一个分布式工作流管理程序，解决Hadoop工作依赖性问题
Oozie 相比 Azkaban 是一个重量级的任务调度系统，功能全面，但配置使用也更复杂
Airflow 使用python脚本
DolphinScheduler 使用可视化的方式操作，国产，所以现在比较火

Azkaban和Oozie之间的区别

总体来说，ooize相比azkaban是一个重量级的任务调度系统，功能全面，但配置使用也更复杂，
如果可以不在意某些功能的缺失，轻量级调度器azkaban是很不错的候选对象

功能
- 两者均可以调度linux、mapreduce、pig、spark、java等脚本工作流任务
- 两者均可以定时执行工作流任务
工作流定义
- Azkaban使用Properties文件定义工作流
- Oozie使用XML文件定义工作流
工作流传参
- Azkaban支持直接传参，例如${input}
- Oozie支持参数和EL表达式，例如${fs:dirSize(myInputDir)}
定时执行
- Azkaban的定时执行任务是基于时间的
- Oozie的定时执行任务基于时间和输入数据，功能强大，但是带来配置的复杂度比较高
资源管理
- Azkaban有较严格的权限控制，如用户对工作流进行读/写/执行等操作
- Oozie暂无严格的权限控制，多人协作就比较麻烦了
工作流执行
- Azkaban有三种运行模式：solo server mode、 two server mode、multiple executor mode
- Oozie作为工作流服务器运行，支持多用户和多工作流
工作流管理
- Azkaban支持浏览器以及ajax方式操作工作流
- Oozie支持命令行、HTTP REST、Java API、浏览器操作工作流
依赖
- Azkaban依赖于MySql
- Oozie依赖于hadoop

什么是Azkaban

Azkaban是由Linkedin公司推出的一个批量工作流任务调度器，主要用于在一个工作流内以一个特定的顺序运行一组工作和流程，
它的配置是通过简单的key:value对的方式，通过配置中的dependencies 来设置依赖关系。
Azkaban使用job配置文件建立任务之间的依赖关系，并提供一个易于使用的web用户界面维护和跟踪你的工作流。

Azkaban的特点

兼容任何版本的hadoop
易于使用的Web用户界面
简单的工作流的上传
方便设置任务之间的关系
调度工作流
模块化和可插拔的插件机制
认证/授权(权限的工作)
能够杀死并重新启动工作流
有关失败和成功的电子邮件提醒

架构

AzkabanWebServer

AzkabanWebServer是整个Azkaban工作流系统的主要管理者，它用户登录认证、负责project管理、定时执行工作流、跟踪工作流执行进度等一系列任务

AzkabanExecutorServer

负责具体的工作流的提交、执行，它们通过mysql数据库来协调任务的执行

关系型数据库（MySQL）

存储大部分执行流状态，AzkabanWebServer和AzkabanExecutorServer都需要访问数据库

部署模式

Solo
- WebServer和ExecServer都启动在一个JVM中，就一个进程
- 使用内置的H2数据库来存储元数据
Two Server
- 一台机器模式：只有一台ExecutorServer
- WebServer和ExecutorServer是不同的独立的进程
- 使用MySQL存储元数据
Multiple Executor
- 从3.+ 开始，支持多个Executor
- 多台机器模式：多个ExecutorServer
- WebServer和Executor可以不在一台机器上
- 使用MySQL存储元数据
使用多Executor模式的注意事项
为确保所选的 Executor 能够准确的执行任务，我们须在以下两种方案任选其一，推荐使用方案二
方案一：指定特定的 Executor（hadoop101）去执行任务
- 在MySQL中Azkaban数据库executors表中，查询hadoop101上的Executor的id
- 在执行工作流程时加入useExecutor属性
方案二：在Executor所在所有节点部署任务所需脚本和应用

安装依赖包及其作用

# 该包中就是所有的建表语句，主要是配置 MySQL
azkaban-db-3.84.4.tar.gz  

# 执行服务器（Executor）配置
azkaban-exec-server-3.84.4.tar.gz  

# 服务器（Web）配置
azkaban-web-server-3.84.4.tar.gz

访问端口号

默认是8443，可以通过修改配置文件azkaban.properties的方式更改端口号
端口号使用规则：jetty.ssl.port > jetty.port
但是使用jetty.ssl.port的前提是jetty.use.ssl = true，这个配置表示开启ssl安全套接层，否则使用jetty.port端口

# 示例配置文件
jetty.use.ssl=false
jetty.maxThreads=25

jetty.ssl.port=8443
jetty.port=8081

jetty.keystore=keystore
jetty.password=password
jetty.keypassword=password
jetty.truststore=keystore
jetty.trustpassword=password

基本使用

主要功能

Projects：最重要的部分，创建一个工程，所有flows将在工程中运行
Scheduling: 显示定时任务
Executing: 显示当前运行的任务
History: 显示历史运行任务

基本流程步骤

首先需要说明的是因为利用界面化操作，所以相关的文件直接在本地windows系统里去编辑，创建，打包zip即可

创建xxx.project工程文件

# 作用：
  # 表示采用新的 Flow-API 方式解析 flow 文件
# 内容：
  # 表示当前解析 flow 文件的 azkaban 版本为 2.0
azkaban-flow-version: 2.0

创建xxx.flow流程任务文件

# 作用：
  # 表示作业调度过程
# 内容：
  # yaml 语法的编写
  # name 表示 job 的名称
  # type 表示 job 的类型
  # command 表示你要执行作业的方式为命令，这里意思输入Hello World
nodes:
  - name: jobA
    type: command
    config:
      command: echo "Hello World"

将上述两个文件压缩成一个.zip文件，并上传 需要注意的是：压缩包的文件名称必须是英文
上传后，如果想看Job的内容是什么，可以在Job Command中可以查看解析出任务内容
点击Flows中Command任务，可以进入到任务的具体界面，Execute可以执行任务，Schedul可以进行定时调度
执行后的任务中，点击Job List可以查看执行日志，Flow Log可以查看流程日志，绿色表示成功，蓝色表示正在执行，红色表示执行失败
任务执行后，可以在History中查看任务历史记录

常见任务类型

执行 shell 命令

type=command
command=echo 'hello-world'

执行 shell 脚本

type=command
command=sh hello-world.sh

执行 Spark 程序

type=command
command=/usr/install/spark/bin/spark-submit --class com.test.AzkabanTest test-0.1.0.jar

执行 hive 命令、脚本

type=command
command=beeline -u jdbc:hive://localhost:7777 -n hive -p hive -f 'test.sql'

执行 MapReduce 程序

type=command
command=${HADOOP_HOME}bin/hadoop jar hadoop-mapreduce-examples--0.1.0.jar
mapreduce-test ${input} ${output}

多任务依赖案例

使用dependsOn属性来表示依赖，他的值是一个数组

# 示例 basic.flow
# JobA 和 JobB 执行完了，才能执行 JobC

nodes:
  - name: jobA
  type: command
  config:
    command: echo "I’m JobA"

  - name: jobB
  type: command
  config:
    command: echo "I’m JobB"

  - name: jobC
    type: command
    # jobC 依赖 JobA 和 JobB
    dependsOn:
      - jobA
      - jobB
    config:
      command: echo "I’m JobC"

失败重试

自动失败重试

使用retries和 retry.backoff来配置重试次数，重试的时间间隔

# 示例 basic.flow，在任务中配置
nodes:
  - name: JobA
    type: command
    config:
      # 执行脚本
      command: sh xxx.sh
      # 重试次数 3次
      retries: 3
      # 重试间隔时间 10000ms 也就是10s
      retry.backoff: 10000
      
# 示例 basic.flow，在flow的全局配置
config:
  retries: 3
  retry.backoff: 10000
nodes:
  - name: jobA
    type: command
    config:
      command: sh xxxq.sh
  - name: jobB
  type: command
  config:
    command: sh xxxb.sh
  - name: jobC
    type: command
    dependsOn:
      - jobA
      - jobB
    config:
      command: sh xxxc.sh

手动失败重试

在Flow View界面右键点击需要重拾的Job，选择需要的重新执行的某个过程，Enable和Disable下面都分别有如下参数：

Parents：该作业的上一个任务
Ancestors：该作业前的所有任务
Children：该作业后的一个任务
Descendents：该作业后的所有任务
Enable All：所有的任务

运行Java主类方法

JavaProcess 类型可以运行一个自定义主类方法，type 类型为 javaprocess，可用的配置为：

Xms：最小堆
Xmx：最大堆
classpath：类路径
java.class：要运行的Java对象，其中必须包含Main方法
main.args：Main方法的参数

运行Java主类方法案例

# 示例 basic.flow
nodes:
  - name: test_java
    type: javaprocess
    config:
      Xms: 96M
      Xmx: 200M
      java.class: com.fx67ll.springboot.AzkabanTest

使用条件工作流

使用运行时参数来使用条件

基本原理
- 父Job将参数写入 JOB_OUTPUT_PROP_FILE 所指向的环境变量文件
- 子Job使用EL表达式 ${jobName:param} 来获取父Job输出的参数并定义执行条件

支持的条件参数

== 等于
!= 不等于
> 大于
>= 大于等于
< 小于
<= 小于等于
&& 与
|| 或
! 非

案例：JobB依赖JobA，但是JobB不需要每天都执行，只需要每个周一执行

# 示例 JobA.sh
echo "do JobA"
# 获取当前是周几
wk=`date + %w`
echo "{\"wk\":$wk}" >$JOB_OUTPUT_PROP_FILE

# 示例 JobB.sh
echo "do JobB"

# 示例 basic.flow
nodes:
  - name: jobA
    type: command
    config:
      command: sh JobA.sh
  - name: jobB
    type: command
    dependsOn:
      - jobA
    config:
      command: sh JobB.sh
      condition: ${JobA:wk} == 1

使用预定义宏

Azkaban 中预置了几个特殊的判断条件，称为预定义宏，预定义宏会根据所有父 Job 的完成情况进行判断，再决定是否执行，可用的预定义宏如下：

# all_success: 表示父 Job 全部成功才执行(默认)  
# all_done：表示父 Job 全部完成才执行  
# all_failed：表示父 Job 全部失败才执行  
# one_success：表示父 Job 至少一个成功才执行  
# one_failed：表示父 Job 至少一个失败才执行  

# 示例 JobA.sh
echo "do JobA"

# 示例 JobB.sh
echo "do JobB"

# 示例 JobC.sh
echo "do JobC"

# 示例 basic.flow
nodes:
  - name: jobA
    type: command
    config:
      command: sh JobA.sh
  - name: jobB
    type: command
    config:
      command: sh JobA.sh
    dependsOn:
      - jobA
      - jobB
    config:
      command: sh JobC.sh
      condition: one_success
      
# 提交的时候故意不提交 JobB.sh，以测试预定义宏是否生效

定时执行

在执行工作流时候，选择左下角Schedule按钮，在Schedule Flow Options配置即可

告警

邮件告警

可以参考视频教程————大数据Azkaban教程详细学习，这里后期会补上说明

电话告警

可以参考视频教程————大数据Azkaban教程详细学习，这里后期会补上说明

YAML

什么是YAML

YAML（YAML 不是标记语言）是一种非常灵活的格式，几乎是 JSON 的超集，已经被用在一些著名的项目中，如 Travis CI、Circle CI 和 AWS CloudFormation。
YAML 的库几乎和 JSON 一样无处不在。除了支持注释、换行符分隔、多行字符串、裸字符串和更灵活的类型系统之外，YAML 也支持引用文件，以避免重复代码。

YAML简介

YAML语言的设计参考了JSON，XML和SDL等语言，YAML 强调以数据为中心，简洁易读，编写简单
YAML 语言（发音 /ˈjæməl/ ）的设计目标，就是方便人类读写，它实质上是一种通用的数据串行化格式
YAML 有一个小的怪癖，所有的 YAML 文件开始行都应该是 ---，这是 YAML 格式的一部分，表明一个文件的开始
有意思的命名
YAML 全称是 "YAML Ain’t a Markup Language"（YAML不是一种置标语言）的递归缩写。
在开发的这种语言时，YAML 的意思其实是："Yet Another Markup Language"（仍是一种置标语言）

语法特点

大小写敏感
通过缩进表示层级关系
禁止使用 tab 缩进，只能使用空格键
缩进的空格数目不重要，只要相同层级左对齐即可
使用 # 表示注释

支持的数据结构

对象：键值对的集合，又称为映射（mapping）/ 哈希（hashes） / 字典（dictionary）
数组：一组按次序排列的值，又称为序列（sequence） / 列表（list）
纯量（scalars）：单个的、不可再分的值

语法说明

引号

a. 双引号""：不会转义字符串里面的特殊字符，特殊字符作为本身想表示的意思。
name: "123\n123" 
输出： 123 换行 123

b. 单引号''：会将字符串里面的特殊字符转义为字符串处理
name: "123\n123"
输出： 123\n123

c. 如果不加引号将会转义特殊字符，当成字符串处理

文本块

a. |：使用|标注的文本内容缩进表示的块，可以保留块中已有的回车换行
value: |
   hello
   world!
输出：hello 换行 world！

b. +表示保留文字块末尾的换行，-表示删除字符串末尾的换行  
value: |
hello

value: |-
hello

value: |+
hello
输出：hello\n hello hello\n\n(有多少个回车就有多少个\n)
注意 "|" 与 文本之间须另起一行

c. >：使用 > 标注的文本内容缩进表示的块，将块中回车替换为空格，最终连接成一行
value: > hello
world!
输出：hello 空格 world！
注意 ">" 与 文本之间的空格，使用定界符""（双引号）、''（单引号）或回车表示的块，最终表示成一行

锚点与引用

使用 & 定义数据锚点（即要复制的数据），使用 * 引用锚点数据（即数据的复制目的地）  

name: &a yaml
book: *a
books: 
   - java
   - *a
   - python

输出book： yaml
输出books：[java,yaml,python]

注意 * 引用部分不能追加内容

纯量与数据类型约定

a. 纯量是最基本的、不可再分的值  

b. 字符串
使用''或""或不使用引号
value0: 'hello World!'
value1: "hello World!"
value2: hello World!

c. 布尔值
true或false表示  

d. 数字
12 # 整数 
014 # 八进制整数 
0xC ＃ 十六进制整数 
13.4 ＃ 浮点数 
1.2e+34 ＃ 指数 
.inf空值 ＃ 无穷大

c. 空值
null或~表示

d. 日期
使用 iso-8601 标准表示日期
date: 2018-01-01t16:59:43.10-05:00
在springboot中yaml文件的时间格式 date: yyyy/MM/dd HH:mm:ss

e. 强制类型转换
YAML 允许使用个感叹号!，强制转换数据类型，单叹号通常是自定义类型，双叹号是内置类型  
money: !!str
123
date: !Boolean
true

f. 内置类型：
!!int # 整数类型 
!!float # 浮点类型 
!!bool # 布尔类型 
!!str # 字符串类型 
!!binary # 也是字符串类型 
!!timestamp # 日期时间类型 
!!null # 空值 
!!set # 集合 
!!omap,!!pairs # 键值列表或对象列表
!!seq # 序列，也是列表 !!map # 键值表

对象

Map（属性和值）（键值对）的形式：
key: 空格 v ：表示一堆键值对，空格不可省略  

car:
    color: red
    brand: BMW

一行写法
car:{
   color: red，brand: BMW}

相当于json：
{"color":"red","brand":"BMW"}

例如表示url属性值  
url: https://www.liuluanyi.cn 
转为 JavaScript 如下:
{ url: 'https://www.liuluanyi.cn'}

YAML 也允许另一种写法，将所有键值对写成一个行内对象  
host: { ip: 10.1.1.1, port: 2222 } 
转为 JavaScript 如下:
{ host: { ip: '10.1.1.1', port: 2222 } }

数组

a. 一组连词线开头的行，构成一个数组  
brand:
   - audi
   - bmw
   - ferrari

一行写法
brand: [audi,bmw,ferrari]
相当于json
["auri","bmw","ferrari"]

b. 数组对象：列表中的所有成员都开始于相同的缩进级别，并且使用一个 --- 作为开头  
---
ipaddr:
- 120.168.117.21
- 120.168.117.22
- 120.168.117.23
转为 JavaScript 如下:
ipaddr: [ '120.168.117.21', '120.168.117.22', '120.168.117.23' ]

c. 数据结构的子成员是一个数组，则可以在该项下面缩进一个空格。
-
 - source
 - destination
 - services
转为 JavaScript 如下:
[ [ 'source', 'destination', 'services' ] ]

d. 数组也可以采用行内(或者流式)表示法。
services: [FTP, SSH]
companies: [{id: 1,name: company1,price: 200W},{id: 2,name: company2,price: 500W}]
转为 JavaScript 如下:
{ services: [ 'FTP', 'SSH' ] }
{ companies: 
   [ { id: 1, name: 'company1', price: '200W' },
     { id: 2, name: 'company2', price: '500W' } ] }

f. 对象和数组复合使用
languages:
 - Ruby
 - Perl
 - Python 
websites:
 YAML: yaml.org 
 Ruby: ruby-lang.org 
 Python: python.org 
转为 JavaScript 如下:
{ languages: [ 'Ruby', 'Perl', 'Python' ],
  websites: { YAML: 'yaml.org', Ruby: 'ruby-lang.org', Python: 'python.org' } }

常量

布尔值 boolean: 
    - TRUE  #true,True都可以
    - FALSE  #false，False都可以

浮点数 float:
    - 3.14
    - 6.8523015e+5  #可以使用科学计数法

整数 int:
    - 123
    - 0b1010_0111_0100_1010_1110    #二进制表示

Null null:
    nodeName: 'node'
    parent: ~  #使用~表示null

字符串 string:
    - 哈哈
    - 'Hello world'  #可以使用双引号或者单引号包裹特殊字符
    - newline
      newline2    #字符串可以拆成多行，每一行会被转化成一个空格

时间 date:
    - 2018-02-17    #日期必须使用ISO 8601格式，即yyyy-MM-dd

日期 datetime: 
    -  2018-02-17T15:02:31+08:00    #时间使用ISO 8601格式，时间和日期之间使用T连接，最后使用+代表时区

转为 JavaScript 如下:
{ boolean: [ true, false ],
  float: [ 3.14, 685230.15 ],
  int: [ 123, 685230 ],
  null: { nodeName: 'node', parent: null },
  string: [ '哈哈', 'Hello world', 'newline newline2' ],
  date: [ Sat Feb 17 2018 08:00:00 GMT+0800 (中国标准时间) ],
  datetime: [ Sat Feb 17 2018 15:02:31 GMT+0800 (中国标准时间) ] }

特殊符号总结

a. YAML 允许使用两个感叹号，强制转换数据类型  
test1: !!str 123
test2: !!str true
转为 JavaScript 如下:
{ test1: '123', test2: 'true' }

b. … 和---配合使用，在一个配置文件中代表一个文件的结束：
---
time: 20:03:20
player: Sammy Sosa
action: strike (miss)
...
---
time: 20:03:47
player: Sammy Sosa
action: grand slam
...

c. >在字符串中折叠换行，| 保留换行符，这两个符号是YAML中字符串经常使用的符号
this: |
  Foo
  Bar
that: >
  Foo
  Bar
转为 JavaScript 如下:
{ this: 'Foo\nBar\n', that: 'Foo Bar\n' }

d. 引用，重复的内容在YAML中可以使用&来完成锚点定义，使用 * 来完成锚点引用
defaults: &defaults
  adapter:  postgres
  host:     localhost
development:
  database: myapp_development
  <<: *defaults
test:
  database: myapp_test
  <<: *defaults
转为 JavaScript 如下:
{ defaults: { adapter: 'postgres', host: 'localhost' },
  development: 
   { database: 'myapp_development',
     adapter: 'postgres',
     host: 'localhost' },
  test: 
   { database: 'myapp_test',
     adapter: 'postgres',
     host: 'localhost' } }

注意，不能独立的定义锚点，比如不能直接这样写： &SS Sammy Sosa
另外，锚点能够定义更复杂的内容，比如：
default: &default
    - Mark McGwire
    - Sammy Sosa
hr: *default
那么hr相当于引用了default的数组，注意，hr: *default 要写在同一行

我是 fx67ll.com，如果您发现本文有什么错误，欢迎在评论区讨论指正，感谢您的阅读！
如果您喜欢这篇文章，欢迎访问我的本文github仓库地址，为我点一颗Star，Thanks~ :)
转发请注明参考文章地址，非常感谢！！！