• 浅谈工作流调度系统


    http://blog.csdn.net/bdchome/article/details/52438540

    每个公司都有自己的一套或者多套调度系统,从简单到复杂,满足各种定制化的需求。

    Crontab任务调度

    在没有工作流调度系统之前,公司里面的任务都是通过crontab来定义的,时间长了后会发现很多问题:

    • 大量的crontab任务需要管理
    • 任务没有按时执行,各种原因失败,需要重试
    • 多服务器环境下,crontab分散在很多集群上,光是查看log就很花时间

    于是,出现了一些管理crontab任务的调度系统。

    CronHub

    CronHub是暴风影音的马晨开源的时间调度系统。CronHub通过web界面来管理分散在不同机器上的crontab任务。详见:Cronhub 开源的时间调度系统

     
    CronHub的UI:
     
    可是一旦任务之间是有依赖关系的,Crontab就没有办法满足需求了。只能通过时间顺序,或者设计zk/文件等通知机制,或者通过shell/python脚本将任务串起来组成一个DAG图。等任务变多,会发现依赖关系的定义,修改很复杂,不够直观。于是出现了基于工作流的调度系统。

    CronWeb

    CronWeb也是类似的系统

    CronWeb的UI:

    工作流调度系统

    在很多公司,随着处理的数据量增长,需要管理的工作流也变得越来越大,里面充斥着大量的ETL任务:有些依赖某个时间点去执行,有些依赖数据或者外部的事件来执行。工作流中的有些任务会失败,需要有重试和报警功能,而不是等到整个工作流失败才发现问题。

    总的来说,一个workflow scheduler system需要的主要功能有:

    • DAG定义 (DAG的定义方式:表达式,脚本定义,通过WEB UI定义;还需要支持子DAG)
    • 执行节点 (节点类型:unix cmd,shell,python,mapreduce, logging etc…)
    • 节点控制(ignore, retry, suspend, run now, test mode)
    • Metrics (需要对比一段时间内任务的运行时间)
    • Monitor (失败策略,报警通知功能)
    • CLI & Web UI (查询workflow执行情况,以及简单的控制)

    Hadoop工作流引擎

    OOZIE

    Oozie是一个管理hadoop任务的工作流/协调系统。Oozie工作流中拥有多个Action,如Hadoop Map/Reuce job,Hadoop Pig job等,所有的Action以有向无环图(DAG Direct Acyclic Graph)的模式部署运行。详见:Hadoop工作流调度系统Oozie

    Oozie的优点是与Hadoop生态圈结合紧密,比如:

    • 有MapReduce的Action,定义一个mapreduce任务很方便,而且可以直接通过job id关联到hadoop history页面
    • Oozie任务的资源文件都必须存放在HDFS上
    • Action也方便扩展,比如添加自定义的任务类型或者报警方式

    缺点是通过XML文件来定义DAG依赖,虽然支持的功能很多,比如分支,ok,failed节点,但是总感觉定义过于复杂,维护成本高。

    Oozie的UI:

    Oozie目前是Hadoop生态圈工作流调度事实上的标准,很多公司都在使用。其实,很难用,UI只能查看,不能进行任何操作。好在社区出现了HUE,可以弥补oozie的不足。

    HUE是一个开源的Apache Hadoop UI系统,最早是由Cloudera Desktop演化而来,由Cloudera贡献给开源社区,它是基于Python Web框架Django实现的。通过使用Hue我们可以在浏览器端的Web控制台上与Hadoop集群进行交互来分析处理数据,例如操作HDFS上的数据,运行MapReduce Job等等。

    HUE提供了一个Oozie编辑器,可以通过仪表板提交和监控Workflow、Coordinator和Bundle。

    HUE的UI:

    AZKABAN

    Azkaban是由Linkedin开源的一个批量工作流任务调度器。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。Azkaban定义了一种KV文件格式来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。详见:工作流调度器Azkaban

    Azkaban和Oozie一样,也属于Hadoop生态圈。它的DAG定义方式比Oozie简单很多,在properties文件里面可以通过dependencies指定任务的上游依赖。Azkaban支持可插拔的扩展插件,方便扩展,比如支持pid,hive等。

    Azkaban的特点是所有的任务资源文件都需要打成一个zip包上传。这个在资源文件较大的时候不是太方便,当前也可以进行扩展,比如存放在HDFS上,任务实际运行的时候才拉到本地。

    Azkaban的UI:

    ZEUS

    Zeus是Alibaba开源的一个完整的Hadoop的作业平台,用于从Hadoop任务的调试运行到生产任务的周期调度。

    宙斯支持任务的整个生命周期。从功能上来说,支持:
    * Hadoop MapReduce任务的调试运行
    * Hive任务的调试运行
    * Shell任务的运行
    * Hive元数据的可视化查询与数据预览
    * Hadoop任务的自动调度
    * 完整的文档管理

    Zeus是针对Hadoop集群任务定制的,通用性不强。

    基于Python的工作流引擎

    基于Python的工作流引擎优点是:

    The DAG definition is code

    因此可维护性,版本管理,可测性和协作性更好。

    dagobah

    dagobah是一个Python写的基于DAG的任务调度系统。Dagobah可以使用Cron语法调度周期性任务,任务之间可以定义依赖关系。Dagobash可以支持重试某个失败的任务,并在任务结束或失败的后发送汇总邮件,跟踪任务的输出log,持久化到不同的后端。Dagobash是一个相当轻量级的调度系统。

    dagobah可以通过Web UI通过拖拉的方式操作dag,也支持直接通过代码定义:

    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开源的,关注流程复杂的长时间运行的批次任务,例如Hadoop任务,推送数据,或者从数据库拉数据的任务,机器学习算法任务等。它能处理依赖关系,工作流关系,可视化等。它内置对Hadoop的支持。

    一个hadoop上运行的wordcount任务定义如下:

    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开源的扩展性较好的工作流系统。Pinball的架构是一种master-worker模式,master节点负责管理任务调度,worker节点是无状态的。Pinball无缝集成了Hadoop/Hive/Spark等。

    Pinball提供了自动重试,单任务邮件报警,运行时替换,任务优先级,过载策略等功能。

    Pinball的UI:

    Airflow

    Airflow是Airbnb开源的DAG任务调度系统,用于管理,调度和监控工作流。它与Luigi,Pinball很像。后端是基于Flask,Celery,RabbitMQ/Redis。

    Airflow工作流的定义:

    """
    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': ['airflow@airflow.com'],
        '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,对于工作流可以支持Cron语法调度,失败重试策略,各种任务依赖调度策略等。

    Airflow的一大亮点是backfill功能,对于数据仓库这种应用很有帮助,可以指定开始时间,将一个时间范围的任务重跑。Airflow还提供了丰富的命令行CLI和UI供操作。

    Airflow通过Celery来实现分布式调度,架构的设计上很清晰,利于扩展。

    Airflow的UI:

    其他

    工作流调度系统很多,有人做了统计:

     
    没有一个系统是能完全满足需求的,每个公司都会根据自己的需求进行定制化调度,选择一个架构合理,利于扩展的开源系统修改是不错的选择。
  • 相关阅读:
    判断一个数是否为素数的方法
    什么是算法?
    table 表格
    状态模式
    设计模式
    观察者模式
    async函数
    JS单线程和异步
    ES6 --- Promise
    浅析flex 布局
  • 原文地址:https://www.cnblogs.com/xuxm2007/p/8576635.html
Copyright © 2020-2023  润新知