尚硅谷大数据技术之 Azkaban
(作者：尚硅谷大数据研发部)
版本：V3.84.4
1）一个完整的数据分析系统通常都是由大量任务单元组成：
Shell 脚本程序，Java 程序，MapReduce 程序、Hive 脚本等
2）各任务单元之间存在时间先后及前后依赖关系
3）为了很好地组织起这样的复杂执行计划，需要一个工作流调度系统来调度执行；
为什么需要工作流调度系统
1）简单的任务调度：直接使用 Linux 的 Crontab 来定义；
2）复杂的任务调度：开发调度平台或使用现成的开源调度系统，比如 Ooize、Azkaban、Airflow、DolphinScheduler 等。
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。
1）将 azkaban-db-3.84.4.tar.gz，azkaban-exec-server-3.84.4.tar.gz，azkaban-web-server-3.84.4.tar.gz 上传到 hadoop102 的/opt/software 路径
[atguigu@hadoop102 software]$ ll
总用量 35572
-rw-r--r--. 1 atguigu atguigu 6433 4 月 18 17:24 azkaban-db-3.84.4.tar.gz
-rw-r--r--. 1 atguigu atguigu 16175002 4 月 18 17:26 azkaban-exec-server-3.84.4.tar.gz
-rw-r--r--. 1 atguigu atguigu 20239974 4 月 18 17:26 azkaban-web-server-3.84.4.tar.gz2）新建/opt/module/azkaban 目录，并将所有 tar 包解压到这个目录下
[atguigu@hadoop102 software]$ mkdir /opt/module/azkaban3）解压 azkaban-db-3.84.4.tar.gz、 azkaban-exec-server-3.84.4.tar.gz 和 azkaban-web-server-3.84.4.tar.gz 到/opt/module/azkaban 目录下
[atguigu@hadoop102 software]$ tar -zxvf azkaban-db-3.84.4.tar.gz -C /opt/module/azkaban/
[atguigu@hadoop102 software]$ tar -zxvf azkaban-exec-server-3.84.4.tar.gz -C /opt/module/azkaban/
[atguigu@hadoop102 software]$ tar -zxvf azkaban-web-server-3.84.4.tar.gz -C /opt/module/azkaban/4）进入到/opt/module/azkaban 目录，依次修改名称
[atguigu@hadoop102 azkaban]$ mv azkaban-exec-server-3.84.4/ azkaban-exec
[atguigu@hadoop102 azkaban]$ mv azkaban-web-server-3.84.4/ azkaban-web 1）正常安装 MySQL
详见《尚硅谷大数据技术之 Hive》
2）启动 MySQL
[atguigu@hadoop102 azkaban]$ mysql -uroot -p0000003）登陆 MySQL，创建 Azkaban 数据库
mysql> create database azkaban;4）创建 azkaban 用户并赋予权限
设置密码有效长度 4 位及以上
mysql> set global validate_password_length=4;设置密码策略最低级别
mysql> set global validate_password_policy=0;创建 Azkaban 用户，任何主机都可以访问 Azkaban，密码是 000000
mysql> CREATE USER 'azkaban'@'%' IDENTIFIED BY '000000';赋予 Azkaban 用户增删改查权限
mysql>GRANT SELECT,INSERT,UPDATE,DELETE 'azkaban'@'%' WITH GRANT OPTION;5）创建 Azkaban 表，完成后退出 MySQL
mysql> use azkaban;
mysql> source /opt/module/azkaban/azkaban-db-3.84.4/create-all-sql-3.84.4.sql
mysql> quit;6）更改 MySQL 包大小；防止 Azkaban 连接 MySQL 阻塞
[atguigu@hadoop102 software]$ sudo vim /etc/my.cnf在[mysqld]下面加一行 max_allowed_packet=1024M
[mysqld]
max_allowed_packet=1024M7）重启 MySQL
[atguigu@hadoop102 software]$ sudo systemctl restart mysqldAzkaban Executor Server 处理工作流和作业的实际执行。
1）编辑 azkaban.properties
[atguigu@hadoop102 azkaban]$ vim /opt/module/azkaban/azkaban-exec/conf/azkaban.properties
修改如下标红的属性
#...
default.timezone.id=Asia/Shanghai
#...
azkaban.webserver.url=http://hadoop102:8081
executor.port=12321
#...
database.type=mysql
mysql.port=3306
mysql.host=hadoop102
mysql.database=azkaban
mysql.user=azkaban
mysql.password=000000
mysql.numconnections=1002）同步 azkaban-exec 到所有节点
[atguigu@hadoop102 azkaban]$ xsync /opt/module/azkaban/azkaban-exec3）必须进入到/opt/module/azkaban/azkaban-exec 路径，分别在三台机器上，启动 executorserver
[atguigu@hadoop102 azkaban-exec]$ bin/start-exec.sh
[atguigu@hadoop103 azkaban-exec]$ bin/start-exec.sh
[atguigu@hadoop104 azkaban-exec]$ bin/start-exec.sh注意：如果在/opt/module/azkaban/azkaban-exec 目录下出现 executor.port 文件，说明启动成功
4）下面激活 executor，需要
[atguigu@hadoop102 azkaban-exec]$ curl "hadoop102:12321/executor?action=activate" && echo -G
[atguigu@hadoop103 azkaban-exec]$ curl "hadoop103:12321/executor?action=activate" && echo -G
[atguigu@hadoop104 azkaban-exec]$ curl "hadoop104:12321/executor?action=activate" && echo -G如果三台机器都出现如下提示，则表示激活成功
{"status":"success"}Azkaban Web Server 处理项目管理，身份验证，计划和执行触发。
1）编辑 azkaban.properties
[atguigu@hadoop102 azkaban]$ vim /opt/module/azkaban/azkaban-web/conf/azkaban.properties
修改如下属性
...
default.timezone.id=Asia/Shanghai
...
database.type=mysql
mysql.port=3306
mysql.host=hadoop102
mysql.database=azkaban
mysql.user=azkaban
mysql.password=000000
mysql.numconnections=100
...
azkaban.executorselector.filters=StaticRemainingFlowSize,CpuStatus说明：
#StaticRemainingFlowSize：正在排队的任务数；
#CpuStatus：CPU 占用情况
#MinimumFreeMemory：内存占用情况。测试环境，必须将 MinimumFreeMemory 删除掉，否则它会认为集群资源不够，不执行。
2）修改 azkaban-users.xml 文件，添加 atguigu 用户
[atguigu@hadoop102 azkaban-web]$ vim /opt/module/azkaban/azkaban-web/conf/azkaban-users.xml
<azkaban-users>
<user groups="azkaban" password="azkaban" roles="admin" username="azkaban"/>
<user password="metrics" roles="metrics" username="metrics"/>
<user password="atguigu" roles="admin" username="atguigu"/>
<role name="admin" permissions="ADMIN"/>
<role name="metrics" permissions="METRICS"/>
</azkaban-users>3）必须进入到 hadoop102 的/opt/module/azkaban/azkaban-web 路径，启动 web server
[atguigu@hadoop102 azkaban-web]$ bin/start-web.sh4）访问 http://hadoop102:8081,并用 atguigu 用户登陆
1）在 windows 环境，新建 azkaban.project 文件，编辑内容如下
azkaban-flow-version: 2.0注意：该文件作用，是采用新的 Flow-API 方式解析 flow 文件。
2）新建 basic.flow 文件，内容如下
nodes:
- name: jobA
type: command
config:
command: echo "Hello World"（1）Name：job 名称
（2）Type：job 类型。command 表示你要执行作业的方式为命令
（3）Config：job 配置
3）将 azkaban.project、basic.flow 文件压缩到一个 zip 文件，文件名称必须是英文。
4）在 WebServer 新建项目：http://hadoop102:8081/index
5）给项目名称命名和添加项目描述
6）first.zip 文件上传
7）选择上传的文件
8）执行任务流
9）在日志中，查看运行结果
需求：JobA 和 JobB 执行完了，才能执行 JobC
具体步骤：
1）修改 basic.flow 为如下内容
nodes:
- name: jobC
type: command
# jobC 依赖 JobA 和 JobB
dependsOn:
- jobA
- jobB
config:
command: echo "I’m JobC"
- name: jobA
type: command
config:
command: echo "I’m JobA"
- name: jobB
type: command
config:
command: echo "I’m JobB"（1）dependsOn：作业依赖，后面案例中演示
2）将修改后的 basic.flow 和 azkaban.project 压缩成 second.zip 文件
3）重复 2.3.1 节 HelloWorld 后续步骤。
需求：如果执行任务失败，需要重试 3 次，重试的时间间隔 10000ms
具体步骤：
1）编译配置流
nodes:
- name: JobA
type: command
config:
command: sh /not_exists.sh
retries: 3
retry.backoff: 10000参数说明：
retries：重试次数
retry.backoff：重试的时间间隔
2）将修改后的 basic.flow 和 azkaban.project 压缩成 four.zip 文件
3）重复 2.3.1 节 HelloWorld 后续步骤。
4）执行并观察到一次失败+三次重试
5）也可以点击上图中的 Log，在任务日志中看到，总共执行了 4 次。
6）也可以在 Flow 全局配置中添加任务失败重试配置，此时重试配置会应用到所有 Job。
案例如下：
config:
retries: 3
retry.backoff: 10000
nodes:
- name: JobA
type: command
config:
command: sh /not_exists.sh需求：JobA=》JobB（依赖于 A）=》JobC=》JobD=》JobE=》JobF。生产环境，任何 Job 都有可能挂掉，可以根据需求执行想要执行的 Job。
具体步骤：
1）编译配置流
nodes:
- name: JobA
type: command
config:
command: echo "This is JobA."
- name: JobB
type: command
dependsOn:
- JobA
config:
command: echo "This is JobB."
- name: JobC
type: command
dependsOn:
- JobB
config:
command: echo "This is JobC."
- name: JobD
type: command
dependsOn:
- JobC
config:
command: echo "This is JobD."
- name: JobE
type: command
dependsOn:
- JobD
config:
command: echo "This is JobE."
- name: JobF
type: command
dependsOn:
- JobE
config:
command: echo "This is JobF."2）将修改后的 basic.flow 和 azkaban.project 压缩成 five.zip 文件
3）重复 2.3.1 节 HelloWorld 后续步骤。
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
4）可以根据需求选择性执行对应的任务。
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
案例：
1）新建一个 azkaban 的 maven 工程
2）创建包名：com.atguigu
3）创建 AzTest 类
package com.atguigu;
public class AzTest {
public static void main(String[] args) {
System.out.println("This is for testing!");
}
}4）打包成 jar 包 azkaban-1.0-SNAPSHOT.jar
5）新建 testJava.flow，内容如下
nodes:
- name: test_java
type: javaprocess
config:
Xms: 96M
Xmx: 200M
java.class: com.atguigu.AzTest6）将 Jar 包、flow 文件和 project 文件打包成 javatest.zip
7）创建项目=》上传 javatest.zip =》执行作业=》观察结果
条件工作流功能允许用户自定义执行条件来决定是否运行某些 Job。条件可以由当前 Job的父 Job 输出的运行时参数构成，也可以使用预定义宏。在这些条件下，用户可以在确定 Job执行逻辑时获得更大的灵活性，例如，只要父 Job 之一成功，就可以运行当前 Job。
1）基本原理
（1）父 Job 将参数写入 JOB_OUTPUT_PROP_FILE 环境变量所指向的文件
（2）子 Job 使用 ${jobName:param}来获取父 Job 输出的参数并定义执行条件
2）支持的条件运算符：
（1）== 等于
（2）!= 不等于
（3）> 大于
（4）>= 大于等于
（5）< 小于
（6）<= 小于等于
（7）&& 与
（8）|| 或
（9）! 非
3）案例：
需求：
JobA 执行一个 shell 脚本。
JobB 执行一个 shell 脚本，但 JobB 不需要每天都执行，而只需要每个周一执行。
（1）新建 JobA.sh
#!/bin/bash
echo "do JobA"
wk=`date +%w`
echo "{\"wk\":$wk}" > $JOB_OUTPUT_PROP_FILE（2）新建 JobB.sh
#!/bin/bash
echo "do JobB"（3）新建 condition.flow
nodes:
- name: JobA
type: command
config:
command: sh JobA.sh
- name: JobB
type: command
dependsOn:
- JobA
config:
command: sh JobB.sh
condition: ${JobA:wk} == 1（4）将 JobA.sh、JobB.sh、condition.flow 和 azkaban.project 打包成 condition.zip
（5）创建 condition 项目=》上传 condition.zip 文件=》执行作业=》观察结果
（6）按照我们设定的条件，JobB 会根据当日日期决定是否执行。
Azkaban 中预置了几个特殊的判断条件，称为预定义宏。
预定义宏会根据所有父 Job 的完成情况进行判断，再决定是否执行。可用的预定义宏如下：
（1）all_success: 表示父 Job 全部成功才执行(默认)
（2）all_done：表示父 Job 全部完成才执行
（3）all_failed：表示父 Job 全部失败才执行
（4）one_success：表示父 Job 至少一个成功才执行
（5）one_failed：表示父 Job 至少一个失败才执行
1）案例
需求：
JobA 执行一个 shell 脚本
JobB 执行一个 shell 脚本
JobC 执行一个 shell 脚本，要求 JobA、JobB 中有一个成功即可执行
（1）新建 JobA.sh
#!/bin/bash
echo "do JobA"（2）新建 JobC.sh
#!/bin/bash
echo "do JobC"（3）新建 macro.flow
nodes:
- name: JobA
type: command
config:
command: sh JobA.sh
- name: JobB
type: command
config:
command: sh JobB.sh
- name: JobC
type: command
dependsOn:
- JobA
- JobB
config:
command: sh JobC.sh
condition: one_success（4）JobA.sh、JobC.sh、macro.flow、azkaban.project 文件，打包成 macro.zip。
注意：没有 JobB.sh。
（5）创建 macro 项目=》上传 macro.zip 文件=》执行作业=》观察结果
需求：JobA 每间隔 1 分钟执行一次；
具体步骤：
1）Azkaban 可以定时执行工作流。在执行工作流时候，选择左下角 Schedule
2）右上角注意时区是上海，然后在左面填写具体执行事件，填写的方法和 crontab 配置定时任务规则一致。
3）观察结果
4）删除定时调度
点击 remove Schedule 即可删除当前任务的调度规则。
1）申请注册一个 126 邮箱
2）点击邮箱账号=》账号管理
3）开启 SMTP 服务
4）一定要记住授权码
Azkaban 默认支持通过邮件对失败的任务进行报警，配置方法如下：
1 ） 在azkaban-web节 点hadoop102上 ， 编 辑 /opt/module/azkaban/azkaban-web/conf/azkaban.properties，修改如下内容：
[atguigu@hadoop102 azkaban-web]$ vim /opt/module/azkaban/azkaban-web/conf/azkaban.properties
添加如下内容：
#这里设置邮件发送服务器，需要 申请邮箱，切开通 stmp 服务，以下只是例子
[email protected]
mail.host=smtp.126.com
[email protected]
mail.password=用邮箱的授权码2）保存并重启 web-server。
[atguigu@hadoop102 azkaban-web]$ bin/shutdown-web.sh
[atguigu@hadoop102 azkaban-web]$ bin/start-web.sh3）编辑 basic.flow
nodes:
- name: jobA
type: command
config:
command: echo "This is an email test."4）将 azkaban.project 和 basic.flow 压缩成 email.zip
5）创建工程=》上传文件=》执行作业=》查看结果
6）观察邮箱，发现执行成功或者失败的邮件
有时任务执行失败后邮件报警接收不及时，因此可能需要其他报警方式，比如电话报警。如有类似需求，可与第三方告警平台进行集成，例如睿象云。
1）进入睿象云官网注册账号并登录
2）集成告警平台，使用 Email 集成
3）获取邮箱地址，后边需将报警信息发送至该邮箱
4）配置分派策略
5）配置通知策略
执行上一个邮件通知的案例，将通知对象改为刚刚集成第三方平台时获取的邮箱。
Azkaban 多 Executor 模式是指，在集群中多个节点部署 Executor。在这种模式下，Azkaban web Server 会根据策略，选取其中一个 Executor 去执行任务。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（hadoop102）去执行任务。
1）在 MySQL 中 azkaban 数据库 executors 表中，查询 hadoop102 上的 Executor 的 id。
mysql> use azkaban;
Reading table information for completion of table and column names
You can turn off this feature to get a quicker startup with -A
Database changed
mysql> select * from executors;
+----+-----------+-------+--------+
| id | host| port | active |
+----+-----------+-------+--------+
| 1 | hadoop103 | 35985 |1 |
| 2 | hadoop104 | 36363 |1 |
| 3 | hadoop102 | 12321 |1 |
+----+-----------+-------+--------+
3 rows in set (0.00 sec)2）在执行工作流程时加入 useExecutor 属性，如下
方案二：在 Executor 所在所有节点部署任务所需脚本和应用。
见官网文档：https://azkaban.readthedocs.io/en/latest/configuration.html
Azkaban2.0 工作流文件是用 YAML 语法写的，相关教程如下：
YAML语法简易入门.mhtml