第1章 Azkaban概论
1.1 为什么需要工作流调度系统
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；
1.2 常见工作流调度系统
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。
1.3 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。
第2章 Azkaban入门
2.1 集群模式安装
2.1.1 上传tar包
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
[bigdata@hadoop102 software]$ ll
总用量 35572
-rw-r--r--. 1 bigdata bigdata 6433 4月 18 17:24 azkaban-db-3.84.4.tar.gz
-rw-r--r--. 1 bigdata bigdata 16175002 4月 18 17:26 azkaban-exec-server-3.84.4.tar.gz
-rw-r--r--. 1 bigdata bigdata 20239974 4月 18 17:26 azkaban-web-server-3.84.4.tar.gz
2）新建/opt/module/azkaban目录，并将所有tar包解压到这个目录下
[bigdata@hadoop102 software]$ mkdir /opt/module/azkaban
3）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
[bigdata@hadoop102 software]$ tar -zxvf azkaban-db-3.84.4.tar.gz -C /opt/module/azkaban/
[bigdata@hadoop102 software]$ tar -zxvf azkaban-exec-server-3.84.4.tar.gz -C /opt/module/azkaban/
[bigdata@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
[bigdata@hadoop102 azkaban]$ mv azkaban-exec-server-3.84.4/ azkaban-exec
[bigdata@hadoop102 azkaban]$ mv azkaban-web-server-3.84.4/ azkaban-web
2.1.2 配置MySQL
1）正常安装MySQL
详见《Hive安装与配置》
2）启动MySQL
[bigdata@hadoop102 azkaban]$ mysql -uroot -p000000
3）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 ON azkaban.* to '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
[bigdata@hadoop102 software]$ sudo vim /etc/my.cnf
在[mysqld]下面加一行max_allowed_packet=1024M
[mysqld]
max_allowed_packet=1024M
8）重启MySQL
[bigdata@hadoop102 software]$ sudo systemctl restart mysqld
2.1.3 配置Executor Server
Azkaban Executor Server处理工作流和作业的实际执行。
1）编辑azkaban.properties
[bigdata@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=100
在最后添加
executor.metric.reports=true
executor.metric.milisecinterval.default=60000
2）同步azkaban-exec到所有节点
[bigdata@hadoop102 azkaban]$ xsync /opt/module/azkaban/azkaban-exec
3）必须进入到/opt/module/azkaban/azkaban-exec路径，分别在三台机器上，启动executor server
[bigdata@hadoop102 azkaban-exec]$ bin/start-exec.sh
[bigdata@hadoop103 azkaban-exec]$ bin/start-exec.sh
[bigdata@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
[bigdata@hadoop102 azkaban-exec]$ curl -G "hadoop102:$(<./executor.port)/executor?action=activate" && echo
[bigdata@hadoop103 azkaban-exec]$ curl -G "hadoop103:$(<./executor.port)/executor?action=activate" && echo
[bigdata@hadoop104 azkaban-exec]$ curl -G "hadoop104:$(<./executor.port)/executor?action=activate" && echo
如果三台机器都出现如下提示，则表示激活成功
{"status":"success"}
2.1.4 配置Web Server
Azkaban Web Server处理项目管理，身份验证，计划和执行触发。
1）编辑azkaban.properties
[bigdata@hadoop102 azkaban]$ 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bigdata用户
[bigdata@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="bigdata" roles="metrics,admin" username="bigdata"/>
<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
[bigdata@hadoop102 azkaban-web]$ bin/start-web.sh
4）访问http://hadoop102:8081,并用bigdata用户登陆
2.2 Work Flow案例实操
2.2.1 HelloWorld案例
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
2.2.2 作业依赖案例
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。
2.2.3 内嵌工作流案例
需求：JobA执行完后执行JobB，JobA和JobB形成一个工作流embedded_flow；JobC依赖于embedded_flow该工作流。
1）工作流定义文件中可以添加子工作流，例如：
nodes:
- name: jobC
type: command
# jobC 依赖embedded_flow
dependsOn:
- embedded_flow
config:
command: echo "I’m JobC"
- name: embedded_flow
type: flow
nodes:
- name: jobB
type: noop
dependsOn:
- jobA
- name: jobA
type: command
config:
command: pwd
参数说明：
type: 作业类型。flow表示，定义为工作流类型
type: noop 什么也不处理
2）将修改后的basic.flow和azkaban.project压缩成three.zip文件
3）重复2.3.1节HelloWorld后续步骤。
2.2.4 自动失败重试案例
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
2.2.5 手动失败重试案例
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。
