淺談工作流調度系統

每個公司都有自己的一套或者多套調度系統，從簡單到複雜，滿足各種定製化的需求。

Crontab任務調度

在沒有工作流調度系統之前，公司裏面的任務都是通過crontab來定義的，時間長了後會發現很多問題：

大量的crontab任務需要管理
任務沒有按時執行，各種原因失敗，需要重試
多服務器環境下，crontab分散在很多集羣上，光是查看log就很花時間

於是，出現了一些管理crontab任務的調度系統。

CronHub

CronHub是暴風影音的馬晨開源的時間調度系統。CronHub通過web界面來管理分散在不同機器上的crontab任務。詳見：Cronhub 開源的時間調度系統。

CronHub的UI:

可是一旦任務之間是有依賴關係的，Crontab就沒有辦法滿足需求了。只能通過時間順序，或者設計zk/文件等通知機制，或者通過shell/python腳本將任務串起來組成一個DAG圖。等任務變多，會發現依賴關係的定義，修改很複雜，不夠直觀。於是出現了基於工作流的調度系統。

CronWeb

CronWeb也是類似的系統

CronWeb的UI:

工作流調度系統

在很多公司，隨着處理的數據量增長，需要管理的工作流也變得越來越大，裏面充斥着大量的ETL任務：有些依賴某個時間點去執行，有些依賴數據或者外部的事件來執行。工作流中的有些任務會失敗，需要有重試和報警功能，而不是等到整個工作流失敗才發現問題。

總的來說，一個workflow scheduler system需要的主要功能有：

DAG定義（DAG的定義方式：表達式，腳本定義，通過WEB UI定義；還需要支持子DAG）
執行節點（節點類型：unix cmd，shell，python，mapreduce, logging etc…）
節點控制（ignore, retry, suspend, run now, test mode）
Metrics （需要對比一段時間內任務的運行時間）
Monitor （失敗策略，報警通知功能）
CLI & Web UI (查詢workflow執行情況，以及簡單的控制)

Hadoop工作流引擎

OOZIE

Oozie是一個管理hadoop任務的工作流/協調系統。Oozie工作流中擁有多個Action，如Hadoop Map/Reuce job,Hadoop Pig job等，所有的Action以有向無環圖(DAG Direct Acyclic Graph)的模式部署運行。詳見：Hadoop工作流調度系統Oozie

Oozie的優點是與Hadoop生態圈結合緊密，比如：

有MapReduce的Action，定義一個mapreduce任務很方便，而且可以直接通過job id關聯到hadoop history頁面
Oozie任務的資源文件都必須存放在HDFS上
Action也方便擴展，比如添加自定義的任務類型或者報警方式

缺點是通過XML文件來定義DAG依賴，雖然支持的功能很多，比如分支，ok，failed節點，但是總感覺定義過於複雜，維護成本高。

Oozie的UI:

Oozie目前是Hadoop生態圈工作流調度事實上的標準，很多公司都在使用。其實，很難用，UI只能查看，不能進行任何操作。好在社區出現了HUE，可以彌補oozie的不足。

HUE是一個開源的Apache Hadoop UI系統，最早是由Cloudera Desktop演化而來，由Cloudera貢獻給開源社區，它是基於Python Web框架Django實現的。通過使用Hue我們可以在瀏覽器端的Web控制檯上與Hadoop集羣進行交互來分析處理數據，例如操作HDFS上的數據，運行MapReduce Job等等。

HUE提供了一個Oozie編輯器，可以通過儀表板提交和監控Workflow、Coordinator和Bundle。

HUE的UI:

AZKABAN

Azkaban是由Linkedin開源的一個批量工作流任務調度器。用於在一個工作流內以一個特定的順序運行一組工作和流程。Azkaban定義了一種KV文件格式來建立任務之間的依賴關係，並提供一個易於使用的web用戶界面維護和跟蹤你的工作流。詳見：工作流調度器Azkaban

Azkaban和Oozie一樣，也屬於Hadoop生態圈。它的DAG定義方式比Oozie簡單很多，在properties文件裏面可以通過dependencies指定任務的上游依賴。Azkaban支持可插拔的擴展插件，方便擴展，比如支持pid，hive等。

Azkaban的特點是所有的任務資源文件都需要打成一個zip包上傳。這個在資源文件較大的時候不是太方便，當前也可以進行擴展，比如存放在HDFS上，任務實際運行的時候才拉到本地。

Azkaban的UI:

ZEUS

Zeus是Alibaba開源的一個完整的Hadoop的作業平臺，用於從Hadoop任務的調試運行到生產任務的週期調度。

宙斯支持任務的整個生命週期。從功能上來說，支持：
* Hadoop MapReduce任務的調試運行
* Hive任務的調試運行
* Shell任務的運行
* Hive元數據的可視化查詢與數據預覽
* Hadoop任務的自動調度
* 完整的文檔管理

Zeus是針對Hadoop集羣任務定製的，通用性不強。

基於Python的工作流引擎

基於Python的工作流引擎優點是：

The DAG definition is code

因此可維護性，版本管理，可測性和協作性更好。

dagobah

dagobah是一個Python寫的基於DAG的任務調度系統。Dagobah可以使用Cron語法調度週期性任務，任務之間可以定義依賴關係。Dagobash可以支持重試某個失敗的任務，並在任務結束或失敗的後發送彙總郵件，跟蹤任務的輸出log，持久化到不同的後端。Dagobash是一個相當輕量級的調度系統。

dagobah可以通過Web UI通過拖拉的方式操作dag，也支持直接通過代碼定義：

from dagobah import Dagobah
from dagobah.backend.base import BaseBackend

my_dagobah = Dagobah(BaseBackend())
my_dagobah.add_job('My Job')
my_job = my_dagobah.get_job('My Job')
my_job.add_task('python required_task.py', 'Required Task')
my_job.add_task('python dependent_task.py', 'Dependent Task')
my_job.add_dependency('Required Task', 'Dependent Task')
my_job.schedule('0 10 * * *')

dogobah的UI:

Luigi

Luigi 是Spotify開源的，關注流程複雜的長時間運行的批次任務，例如Hadoop任務，推送數據，或者從數據庫拉數據的任務，機器學習算法任務等。它能處理依賴關係，工作流關係，可視化等。它內置對Hadoop的支持。

一個hadoop上運行的wordcount任務定義如下：

import luigi
import luigi.contrib.hadoop
import luigi.contrib.hdfs

class InputText(luigi.ExternalTask):
    """
    This task is a :py:class:`luigi.task.ExternalTask` which means it doesn't generate the
    :py:meth:`~.InputText.output` target on its own instead relying on the execution something outside of Luigi
    to produce it.
    """

    date = luigi.DateParameter()

    def output(self):
        """
        Returns the target output for this task.
        In this case, it expects a file to be present in HDFS.

        :return: the target output for this task.
        :rtype: object (:py:class:`luigi.target.Target`)
        """
        return luigi.contrib.hdfs.HdfsTarget(self.date.strftime('/tmp/text/%Y-%m-%d.txt'))


class WordCount(luigi.contrib.hadoop.JobTask):
    """
    This task runs a :py:class:`luigi.contrib.hadoop.JobTask`
    over the target data returned by :py:meth:`~/.InputText.output` and
    writes the result into its :py:meth:`~.WordCount.output` target.

    This class uses :py:meth:`luigi.contrib.hadoop.JobTask.run`.
    """

    date_interval = luigi.DateIntervalParameter()

    def requires(self):
        """
        This task's dependencies:

        * :py:class:`~.InputText`

        :return: list of object (:py:class:`luigi.task.Task`)
        """
        return [InputText(date) for date in self.date_interval.dates()]

    def output(self):
        """
        Returns the target output for this task.
        In this case, a successful execution of this task will create a file in HDFS.

        :return: the target output for this task.
        :rtype: object (:py:class:`luigi.target.Target`)
        """
        return luigi.contrib.hdfs.HdfsTarget('/tmp/text-count/%s' % self.date_interval)

    def mapper(self, line):
        for word in line.strip().split():
            yield word, 1

    def reducer(self, key, values):
        yield key, sum(values)

if __name__ == '__main__':
    luigi.run()

Luigi的UI:

Pinball

Pinball 是Pinterest開源的擴展性較好的工作流系統。Pinball的架構是一種master-worker模式，master節點負責管理任務調度，worker節點是無狀態的。Pinball無縫集成了Hadoop/Hive/Spark等。

Pinball提供了自動重試，單任務郵件報警，運行時替換，任務優先級，過載策略等功能。

Pinball的UI:

Airflow

Airflow是Airbnb開源的DAG任務調度系統，用於管理，調度和監控工作流。它與Luigi，Pinball很像。後端是基於Flask，Celery，RabbitMQ/Redis。

Airflow工作流的定義：

"""
Code that goes along with the Airflow located
[here](http://pythonhosted.org/airflow/tutorial.html)
"""
from airflow import DAG
from airflow.operators import BashOperator
from datetime import datetime, timedelta

seven_days_ago = datetime.combine(datetime.today() - timedelta(7),
                                  datetime.min.time())

default_args = {
    'owner': 'airflow',
    'depends_on_past': False,
    'start_date': seven_days_ago,
    'email': ['[email protected]'],
    'email_on_failure': False,
    'email_on_retry': False,
    'retries': 1,
    'retry_delay': timedelta(minutes=5),
    \# 'queue': 'bash_queue',
    \# 'pool': 'backfill',
    \# 'priority_weight': 10,
    \# 'schedule_interval': timedelta(1),
    \# 'end_date': datetime(2016, 1, 1),
}

dag = DAG('tutorial', default_args=default_args)

\# t1, t2 and t3 are examples of tasks created by instatiating operators
t1 = BashOperator(
    task_id='print_date',
    bash_command='date',
    dag=dag)

t1.doc_md = """\
\#### Task Documentation
You can document your task using the attributes `doc_md` (markdown),
`doc` (plain text), `doc_rst`, `doc_json`, `doc_yaml` which gets
rendered in the UI's Task Details page.
![img](http://montcs.bloomu.edu/~bobmon/Semesters/2012-01/491/import%20soul.png)
"""

dag.doc_md = __doc__

t2 = BashOperator(
    task_id='sleep',
    depends_on_past=False,
    bash_command='sleep 5',
    dag=dag)

templated_command = """
{% for i in range(5) %}
    echo "{{ ds }}"
    echo "{{ macros.ds_add(ds, 7)}}"
    echo "{{ params.my_param }}"
{% endfor %}
"""

t3 = BashOperator(
    task_id='templated',
    depends_on_past=False,
    bash_command=templated_command,
    params={'my_param': 'Parameter I passed in'},
    dag=dag)

t2.set_upstream(t1)
t3.set_upstream(t1)

Airflow的功能很多，對於工作流可以支持Cron語法調度，失敗重試策略，各種任務依賴調度策略等。

Airflow的一大亮點是backfill功能，對於數據倉庫這種應用很有幫助，可以指定開始時間，將一個時間範圍的任務重跑。Airflow還提供了豐富的命令行CLI和UI供操作。

Airflow通過Celery來實現分佈式調度，架構的設計上很清晰，利於擴展。

Airflow的UI:

其他

工作流調度系統很多，有人做了統計：

沒有一個系統是能完全滿足需求的，每個公司都會根據自己的需求進行定製化調度，選擇一個架構合理，利於擴展的開源系統修改是不錯的選擇。

淺談工作流調度系統

Crontab任務調度

CronHub

CronWeb

工作流調度系統

Hadoop工作流引擎

OOZIE

AZKABAN

ZEUS

基於Python的工作流引擎

dagobah

Luigi

Pinball

Airflow

其他

Spark history Server 配置過程

Hadoop： CDH 5--不同步的 JournalNode

spark調整日誌顯示級別

Sqoop使用分析

Kafka性能測試方法及Benchmark報告

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結