一. 工作流调度器概述
1. 为什么需要工作流调度系统
- 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
- 各任务单元之间存在时间先后及前后依赖关系
- 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；
例如，我们可能有这样一个需求，某个业务系统每天产生20G原始数据，我们每天都要对其进行处理，处理步骤如下所示：
- 通过Hadoop先将原始数据上传到HDFS上（HDFS的操作）；
- 使用MapReduce对原始数据进行清洗（MapReduce的操作）；
- 将清洗后的数据导入到hive表中（hive的导入操作）；
- 对Hive中多个表的数据进行JOIN处理，得到一张hive的明细表（创建中间表）；
- 通过对明细表的统计和分析，得到结果报表信息（hive的查询操作）；
2. 工作流调度实现方式
- 简单的任务调度：直接使用linux的crontab来定义；
- 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等
3. 常见工作流调度系统
市面上目前有许多工作流调度器
在hadoop领域，常见的工作流调度器有Oozie, Azkaban,Cascading,Hamake等
4. 各种调度工具特性对比
下面的表格对上述四种hadoop工作流调度器的关键特性进行了比较，尽管这些工作流调度器能够解决的需求场景基本一致，但在设计理念，目标用户，应用场景等方面还是存在显著的区别，在做技术选型的时候，可以提供参考
特性 | Hamake | Oozie | Azkaban | Cascading |
|---|---|---|---|---|
工作流描述语言 | XML | XML (xPDL based) | text file with key/value pairs | Java API |
依赖机制 | data-driven | explicit | explicit | explicit |
是否要web容器 | No | Yes | Yes | No |
进度跟踪 | console/log messages | web page | web page | Java API |
Hadoop job调度支持 | no | yes | yes | yes |
运行模式 | command line utility | daemon | daemon | API |
Pig支持 | yes | yes | yes | yes |
事件通知 | no | no | no | yes |
需要安装 | no | yes | yes | no |
支持的hadoop版本 | 0.18 | 0.20 | currently unknown | 0.18 |
重试支持 | no | workflownode evel | yes | yes |
运行任意命令 | yes | yes | yes | yes |
Amazon EMR支持 | yes | no | currently unknown | yes |
5. Azkaban与Oozie对比
对市面上最流行的两种调度器，给出以下详细对比，以供技术选型参考。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。 对比如下：
- 功能 两者均可以调度mapreduce,pig,java,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Oozie支持参数和EL表达式，例如 inputOozie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
- 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
- 工作流执行 Azkaban有两种运行模式，分别是solo server mode(executor server和web server部署在同一台节点)和multi server mode(executor server和web server可以部署在不同节点) 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
二. Azkaban
1. 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。
2. Azkaban特点
- 1.兼容任何版本的hadoop
- 2.易于使用的Web用户界面
- 3.简单的工作流的上传
- 4.方便设置任务之间的关系
- 5.调度工作流
- 6.模块化和可插拔的插件机制
- 7.认证/授权(权限的工作)
- 8.能够杀死并重新启动工作流
- 9.有关失败和成功的电子邮件提醒
3. Azkaban的架构
Azkaban由三个关键组件构成：
- 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。
本次的分享就到这里了
