快速学习-Azkaban概述

一 概述

1.1 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。

1.2 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；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：
   1. 通过 Hadoop 先将原始数据上传到 HDFS 上（HDFS 的操作）；
   2. 使用 MapReduce 对原始数据进行清洗（MapReduce 的操作）；
   3. 将清洗后的数据导入到 hive 表中（hive 的导入操作）；
   4. 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）；
   5. 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）；

1.3 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

1.4 常见工作流调度系统

1. 简单的任务调度：直接使用 crontab 实现；
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 等

1.5 Azkaban 的架构

1. 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。

2. 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。
3. 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。

1.6 Azkaban 下载地址