AirFlow簡介

1, 簡介

​ Airflow是一個可編程，調度和監控的工作流平台，基於有向無環圖(DAG)，airflow可以定義一組有依賴的任務，按照依賴依次執行。airflow提供了豐富的命令行工具用於系統管控，而其web管理界面同樣也可以方便的管控調度任務，並且對任務運行狀態進行實時監控，方便了系統的運維和管理。

2，執行器(Executor)

​ Airflow本身是一個綜合平台，它兼容多種組件，所以在使用的時候有多種方案可以選擇。比如最關鍵的執行器就有四種選擇:

SequentialExecutor：單進程順序執行任務，默認執行器，通常只用於測試

LocalExecutor：多進程本地執行任務

CeleryExecutor：分布式調度，生產常用

DaskExecutor ：動態任務調度，主要用於數據分析

在當前項目使用CeleryExecutor作為執行器。

celery是一個分布式調度框架，其本身無隊列功能，需要使用第三方組件，比如redis或者rabbitmq，當前項目使用的是rabbitmq，系統整體結構如下所示:

其中:

turing為外部系統

GDags服務幫助拼接成dag

master節點webui管理dags、日志等信息

scheduler負責調度，只支持單節點

worker負責執行具體dag中的task, worker支持多節點

在整個調度系統中，節點之間的傳遞介質是消息，而消息的本質內容是執行腳本的命令，也就是說，工作節點的dag文件必須和master節點的dag文件保持一致，不然任務的執行會出問題。

3，任務處理器

airflow內置了豐富的任務處理器，用於實現不同類型的任務:

BashOperator : 執行bash命令

PythonOperator : 調用python代碼

EmailOperator : 發送郵件

HTTPOperator : 發送 HTTP 請求

SqlOperator : 執行 SQL 命令

除了這些基本的構建塊之外，還有更多的特定處理器:DockerOperator，HiveOperator，S3FileTransferOperator，PrestoToMysqlOperator，SlackOperator ...

在當前項目使用了HTTPOperator 作為執行器，用於調用JAVA服務，整體結構圖如下:

關於airflow的環境搭建可以參考另外一篇博客: https://www.cnblogs.com/cord/p/9226608.html

4，基本使用

4.1，常用命令

$ airflow webserver -D		 守護進程運行webserver

$ airflow scheduler -D		 守護進程運行調度器

$ airflow worker -D		     守護進程運行調度器

$ airflow worker -c 1 -D 	 守護進程運行celery worker並指定任務並發數為1

$ airflow pause dag_id　 	暫停任務

$ airflow unpause dag_id 	 取消暫停，等同於在管理界面打開off按鈕

$ airflow list_tasks dag_id  查看task列表

$ airflow clear dag_id       清空任務實例

$ airflow trigger_dag dag_id -r RUN_ID -e EXEC_DATE  運行整個dag文件

$ airflow run dag_id task_id execution_date       運行task

4.2，web管控界面的使用

啟動web管控界面需要執行airflow webserver -D命令，默認訪問端口是8080

http://110.55.63.51:8080/admin/

(1) 任務啟動暫停開關

(2) 任務運行狀態

(3) 待執行，未分發的任務

(4) 手動觸發執行任務

(5) 任務管控界面

選擇對應dag欄目，點擊(5) Graph View即可進入任務管控界面

點擊對應的任務，會彈出一個任務管控台，主要幾個功能如下:

View Log : 查看任務日志

Run : 運行選中任務

Clear：清空任務隊列

Mark Success : 標記任務為成功狀態

4.3 通過定義DAG文件實現創建定時任務

1) 普通任務

from datetime import timedelta, datetime
import airflow
from airflow import DAG
from airflow.operators.bash_operator import BashOperator
from airflow.operators.dummy_operator import DummyOperator

default_args = { #默認參數
    'owner': 'jifeng.si', #dag擁有者，用於權限管控
    'depends_on_past': False,  #是否依賴上游任務
    'start_date': datetime(2018, 5, 2), #任務開始時間，默認utc時間
    'email': ['[e-mail]'], #告警通知郵箱地址
    'email_on_failure': False,
    'email_on_retry': False,
    'retries': 1,
    'retry_delay': timedelta(minutes=5),
}

dag = DAG(
    'example_hello_world_dag',  #dag的id
    default_args=default_args,
    description='my first DAG', #描述
    schedule_interval='*/25 * * * *', # crontab
    start_date=datetime(2018, 5, 28) #開始時間，覆蓋默認參數
)

def print_hello():
    return 'Hello world!'

dummy_operator = DummyOperator(task_id='dummy_task', dag=dag)

hello_operator = BashOperator(   #通過BashOperator定義執行bash命令的任務
    task_id='sleep_task',
    depends_on_past=False,
    bash_command='echo `date` >> /home/py/test.txt',
    dag=dag
)

dummy_operator >> hello_operator #設置任務依賴關系
#dummy_operator.set_downstream(hello_operator)

2) 定義http任務並使用本地時間

import os
from datetime import timedelta, datetime
import pytz
from airflow.operators.http_operator import SimpleHttpOperator
from airflow.models import DAG

default_args = {
    'owner': 'cord',
    # 'depends_on_past': False,
    'depends_on_past': True,
    'wait_for_downstream': True,
    'execution_timeout': timedelta(minutes=3),
    'email': ['[e-mail]'],
    'email_on_failure': False,
    'email_on_retry': False,
    'retries': 1,
    'retry_delay': timedelta(minutes=5),
}

#將本地時間轉換為utc時間，再設置為start_date
tz = pytz.timezone('Asia/Shanghai')
dt = datetime(2018, 7, 26, 12, 20, tzinfo=tz)
utc_dt = dt.astimezone(pytz.utc).replace(tzinfo=None)

os.environ['AIRFLOW_CONN_HTTP_TEST']='http://localhost:9090'

dag = DAG(
    'bm01',
    default_args=default_args,
    description='my DAG',
    schedule_interval='*/2 * * * *',
    start_date=utc_dt
)

#通過SimpleHttpOperator定義http任務
task1 = SimpleHttpOperator(
    task_id='get_op1',
    http_conn_id='http_test',
    method='GET',
    endpoint='test1',
    data={},
    headers={},
    dag=dag)

task2 = SimpleHttpOperator(
    task_id='get_op2',
    http_conn_id='http_test',
    method='GET',
    endpoint='test2',
    data={},
    headers={},
    dag=dag)

task1 >> task2

4.4 crontab語法

crontab格式如下所示:

# ┌───────────── minute (0 - 59)
# │ ┌───────────── hour (0 - 23)
# │ │ ┌───────────── day of month (1 - 31)
# │ │ │ ┌───────────── month (1 - 12)
# │ │ │ │ ┌───────────── day of week (0 - 6) (Sunday to Saturday;
# │ │ │ │ │                                       7 is also Sunday on some systems)
# │ │ │ │ │
# │ │ │ │ │
# * * * * *  command to execute

域	是否必須	取值范圍	可用特殊符號	備注
Minutes	Yes	0–59	* , -
Hours	Yes	0–23	* , -
Day of month	Yes	1–31	* , - ? L W	? L W部分實現可用
Month	Yes	1–12 or JAN–DEC	* , -
Day of week	Yes	0–6 or SUN–SAT	* , - ? L #	? L W 部分實現可用
Year	No	1970–2099	* , -	標准實現里無這一項

特殊符號功能說明：

逗號(,)
​ 逗號用於分隔一個列表里的元素，比如 "MON,WED,FRI" 在第五域(day of week)表示Mondays, Wednesdays and Fridays。

連字符(-)
​ 連字符用於表示范圍，比如2000–2010表示2000到2010之間的每年，包括這兩年(閉區間)。

百分號(%)
​ 用於命令(command)中的格式化

L
​ 表示last，最后一個，比如第五域，5L表示當月最后一個星期五

W
​ W表示weekday（Monday-Friday），指離指定日期附近的工作日，比如第三域設置為15L ，這表示臨近當月15附近的工作日，假如15號是星期六，那么定時器會在14號執行，如果15號是星期天，那么定時器會在16號執行，也就是說只會在離指定日期最近的那天執行。

井號#
​ #用於第五域（day of week），#后面跟着一個1~5之間的數字，這個用於表示第幾個星期，比如5#3表示第三個星期五

?
​ 在有些實現里面，？與*的功能相同，還有一些實現里面?表示cron的啟動時間，比如 當cron服務在8:25am啟動，則? ? * * * *會更新為25 8 * * * *, 直到下一次cron服務重新啟動，定時器會再次更新。

/
​ /一般與*組合使用，后面跟着一個數字，表示頻率，比如在第一域(Minutes)中*/5表示每5分鍾，是普通列表表示5,10,15,20,25,30,35,40,45,50,55,00的縮寫

參考鏈接：
https://segmentfault.com/a/1190000012803744?utm_source=tuicool&utm_medium=referral

https://en.wikipedia.org/wiki/Cron