工作流管理框架airflow-安装部署教程

1 概述

Airflow是一个以编程方式编写，用于管理和调度工作流的平台。可以帮助你定义复杂的工作流程,然后在集群上执行和监控这些工作流。

Airflow计划程序在遵循指定的依赖项，同时在一组工作线程上执行任务。丰富的命令实用程序使在DAG上执行复杂的调度变的轻而易举。Airflow的可扩展Python框架可以让你构建连接几乎任何技术的工作流程。丰富的用户界面可以随时查看生产中正在运行的管道，帮助你管理工作流程的状态，监视进度以及需要时对问题进行故障排除。

Airflow的主要组件有：

DAG(有向无环图)：使用Airflow将工作流编写任务的有向无环图（DAG）。一个DAG定义了一个工作流,它包含所有任务、任务的依赖关系和时间表。

任务(Task)：一个任务定义了一个单独的单元工作,有一个确定的开始和结束。一个任务可以依赖于其他任务。

运算符(Operator)：一个运算符封装了一个任务,并定义了它的执行逻辑。Airflow内置了许多运算符,如BashOperator、PythonOperator、EmailOperator等。你也可以自定义运算符。

时间轴(Timeline)：时间轴让你以图形方式查看 DAG 的运行情况和状态。

调度器(Scheduler)：调度器监视时间轴并触发需要运行的任务。

执行器(Executor)：executor负责实际运行任务。Airflow支持多种executor，如LocalExecutor, CeleryExecutor, KubernetesExecutor 等。

2 名词

（1）Dynamic：Airflow管道是用Python代码配置的,允许动态生成管道。Airflow配置需要使用Python，这允许编写可动态实例化管道的代码。

（2）Extensible：Airflow框架包含许多运算符来连接各种技术。Airflow的所有组件都是可扩展的。轻松定义自己的运算符，执行程序并扩展库，使其适合于您的环境。

（3）Elegant：Airlfow是精简灵活的，使用功能强大的Jinja模板引擎，将脚本参数化内置于Airflow的核心中。

（4）Scalable：Airflow具有模板块架构，并使用消息队列来安排任意数量的工作任务。

3 airflow优缺点

优点：

Python脚本实现DAG，非常容易扩展；

可实现复杂的依赖规则；

外部依赖较少，搭建容易，仅依赖DB和rabbitmq；

工作流依赖可视化。有一套完整的UI，可视化展现所有任务的状态及历史信息；（本人刚开始主要看重这点）

完全支持crontab定时任务格式，可以通过crontab格式指定任务何时进行；

业务代码和调度系统解耦，每个业务的流程代码以独立的Python脚本描述，里面定义了流程化的节点来执行业务逻辑，支持任务的热加载.

缺点：

Airflow是为有限的批处理工作流构建的。虽然CLI和REST API确实允许触发工作流，但Airflow不是为无限运行的基于事件的工作流构建的。Airflow不是流解决方案。然而，像Apache Kafka这样的流系统通常与Apache Airflow一起使用。Kafka可以用于实时接收和处理事件数据，事件数据被写入存储位置，Airflow定期启动处理一批数据的工作流。

如果你更喜欢点击而不是编码，Airflow可能不是正确的解决方案。Web界面旨在最大限度地简化工作流的管理，Airflow框架不断改进以最大限度地简化开发人员体验。然而，Airflow的理念是将工作流定义为代码，所以代码始终是必需的。

4 Airflow安装

airflow官网地址：https://airflow.apache.org。

1）先安装并配置好python环境（可以参考Anaconda安装即可，如果项目不需要依赖太多工具包，可选择更简洁的MiniConda）并激活。

2）安装airflow

pip install apache-airflow

3）初始化airflow

airflow db init

4）查看版本

airflow version

5）启动airflow web服务,启动后浏览器访问http://ip_address:12025（如果不知道ip地址的就用ifconfig命令去linux下获取）

airflow webserver -p 12025 -D

6）启动airflow调度

airflow scheduler -D

7）创建账号(斜杠别忘记了)

airflow users create \

--username admin \

--firstname trisyp \

--lastname trisyp \

--role Admin \

--email trisyp@email.com

回车之后会让你输入两次password，我们就用123456

8）启动停止脚本

vim af.sh

#!/bin/bash

case $1 in

"start"){

echo " --------启动 airflow-------"

ssh ip_address "conda activate airflow;airflow webserver -p 12025 -D;airflow scheduler -D; conda deactivate"

};;

"stop"){

echo " --------关闭 airflow-------"

ps -ef|egrep 'scheduler|airflow-webserver'|grep -v grep|awk '{print $2}'|xargs kill -15

};;

esac

添加权限即可使用。

trisyp@ip_address bin]$ chmod +x af.sh

5 修改数据库为MySQL

1）先在MySQL中建库

mysql> CREATE DATABASE airflow_db CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;

2）如果报错Linux error:1425F102:SSL routines:ssl_choose_client_version:unsupported protocol，可以关闭MySQL的SSL证书

查看SSL是否开启 YES为开启

mysql> SHOW VARIABLES LIKE '%ssl%';

+---------------+-----------------+

| Variable_name | Value |

+---------------+-----------------+

| have_openssl | YES |

| have_ssl | YES |

| ssl_ca | ca.pem |

| ssl_capath | |

| ssl_cert | server-cert.pem |

| ssl_cipher | |

| ssl_crl | |

| ssl_crlpath | |

| ssl_key | server-key.pem |

+---------------+-----------------+

3）修改配置文件my.cnf（注意：直接数据库修改值不起作用），加入以下内容：

# disable_ssl

skip_ssl

4）添加python连接的依赖，官网介绍的方法有两种：

这里我们选择mysql+mysqlconnector。

pip install mysql-connector-python

5）修改airflow的配置文件(vim ~/airflow/airflow.cfg)：

[database]

# The SqlAlchemy connection string to the metadata database.

# SqlAlchemy supports many different database engines.

# More information here:

# http://airflow.apache.org/docs/apache-airflow/stable/howto/set-up-database.html#database-uri

#sql_alchemy_conn = sqlite:home/trisyp/airflow/airflow.db

sql_alchemy_conn = mysql+mysqlconnector://root:123456@ip_address:3306/airflow_db

6）关闭airflow，初始化后重启：

af.sh stop

airflow db init

af.sh start

7）若初始化报错1067 - Invalid default value for ‘update_at’：

原因：字段 'update_at' 为 timestamp类型，取值范围是：1970-01-01 00:00:00 到 2037-12-31 23:59:59（UTC +8 北京时间从1970-01-01 08:00:00 开始），而这里默认给了空值，所以导致失败。

推荐修改mysql存储时间戳格式：

mysql> set GLOBAL sql_mode ='STRICT_TRANS_TABLES,NO_AUTO_CREATE_USER,NO_ENGINE_SUBSTITUTION'

重启MySQL会造成参数失效（注意：这样就需要重新创建账号），推荐将参数写入到配置文件my.cnf中。

sql_mode = STRICT_TRANS_TABLES,NO_AUTO_CREATE_USER,NO_ENGINE_SUBSTITUTION

6 修改执行器

官网不推荐在开发中使用顺序执行器，会造成任务调度阻塞。

1）修改airflow的配置文件(vim ~/airflow/airflow.cfg)

[core]

# The executor class that airflow should use. Choices include

# ``SequentialExecutor``, ``LocalExecutor``, ``CeleryExecutor``, ``DaskExecutor``,

# ``KubernetesExecutor``, ``CeleryKubernetesExecutor`` or the

# full import path to the class when using a custom executor.

executor = LocalExecutor

可以使用官方推荐的几种执行器，也可以自定义。这里我们选择本地执行器即可。

7 部署使用

1）测试环境启动

本次测试使用的是spark的官方案例，所有需要启动hadoop和spark的历史服务器。

myhadoop.sh start

cd /opt/module/spark-yarn/sbin/start-history-server.sh

2）查看Airflow配置文件

vim ~/airflow/airflow.cfg

3）编写.py脚本，创建work-py目录用于存放python调度脚本

mkdir ~/airflow/dags

cd dags/

然后把脚本文件放到dags文件夹，代码如下：

from airflow import DAG

from airflow.operators.bash import BashOperator

from datetime import datetime, timedelta

default_args = { # 设置默认参数。

# 用户

'owner': 'test_owner',

# 是否开启任务依赖

'depends_on_past': True,

# 邮箱

'email': ['trisyp@email.com'],

# 启动时间

'start_date':datetime(2022,11,28),

# 出错是否发邮件报警

'email_on_failure': False,

# 重试是否发邮件报警

'email_on_retry': False,

# 重试次数

'retries': 3,

# 重试时间间隔

'retry_delay': timedelta(minutes=5),

}

# 声明任务图，schedule_interval：调度频率。

dag = DAG('test', default_args=default_args, schedule_interval=timedelta(days=1))

# 创建单个任务

t1 = BashOperator( # BashOperator：具体执行任务，如果为true前置任务必须成功完成才会走下一个依赖任务，如果为false则忽略是否成功完成。

# 任务id：任务唯一标识（必填）。

task_id='dwd',

# 具体任务执行命令。

bash_command='ssh ip_address "/opt/module/spark-yarn/bin/spark-submit --class org.apache.spark.examples.SparkPi --master yarn /opt/module/spark-yarn/examples/jars/spark-examples_2.12-3.1.3.jar 10 "',

# 重试次数

retries=3,

# 把任务添加进图中

dag=dag)

t2 = BashOperator(

task_id='dws',

bash_command='ssh ip_address "/opt/module/spark-yarn/bin/spark-submit --class org.apache.spark.examples.SparkPi --master yarn /opt/module/spark-yarn/examples/jars/spark-examples_2.12-3.1.3.jar 10 "',

retries=3,

dag=dag)

t3 = BashOperator(

task_id='ads',

bash_command='ssh ip_address "/opt/module/spark-yarn/bin/spark-submit --class org.apache.spark.examples.SparkPi --master yarn /opt/module/spark-yarn/examples/jars/spark-examples_2.12-3.1.3.jar 10 "',

retries=3,

dag=dag)

# 设置任务依赖：ads任务依赖dws任务依赖dwd任务。

t2.set_upstream(t1)

t3.set_upstream(t2)

4）等待一段时间，刷新任务列表

airflow dags list

5）已出现myairflow_execute_bash任务（刷新页面）

6）点击运行

7）查看dag图、甘特图，点击成功任务，查看日志

8）查看脚本代码

9）Dag任务操作

9.1 删除Dag任务

主要删除DAG任务不会删除底层文件，过一会还会自动加载回来。

9.2 查看当前所有dag任务

# 查看所有任务

airflow dags list

# 查看单个任务

airflow tasks list test --tree

8 配置邮件服务器

1）保证邮箱已开SMTP服务

2）修改airflow配置文件，用stmps服务对应587端口

vim ~/airflow/airflow.cfg

smtp_host = smtp.qq.com

smtp_starttls = True

smtp_ssl = False

smtp_user = trisyp@email.com

# smtp_user =

smtp_password = qluxdbuhgrhgbigi

# smtp_password =

smtp_port = 587

smtp_mail_from = trisyp@email.com

3）重启airflow

af.sh stop

af.sh start

4）编辑test.py脚本，加入emailOperator

from airflow.operators.email_operator import EmailOperator

email=EmailOperator(

task_id="email",

to="yaohm163@163.com ",

subject="test-subject",

html_content="<h1>test-content</h1>",

cc="trisyp@email.com ",

dag=dag)

t2.set_upstream(t1)

t3.set_upstream(t2)

email.set_upstream(t3)

5）查看页面是否生效

6）运行测试

9 避坑指南

1）Exception rendering Jinja template for task

2）Intel MKL FATAL ERROR: Cannot load ../numexpr/../../../libmkl_rt.so.1.

强制更新airflow到最新版

3）error: subprocess-exited-with-error

解决方案：

错误有明确的提示，缺少pkg-config，所以就先安装这个包，然后在安装mysqlclient。

sudo apt-get install pkg-config

4）Can't connect to local MySQL server through socket '/tmp/mysql.sock' (2)

解决方案：

先用命令“find / -name ‘mysql.sock”来查看下这个文件所在目录，如果有就建立软连接（不要想着拷贝复制，无效的），命令是“ln -s /tmp/mysql.sock”。如果没有就找my.cnf文件，一般文件地址为/etc/mysql/my.cnf，然后通过vim加上socket路径信息，一定要加mysqld这个分组，不然会报找不到分组这个错；Found option without preceding group