使用Airflow来调度Data Lake Analytics的任务

今天我们来介绍一下使用Airflow来调度 Data Lake Analytics(后面简称DLA)的任务执行。DLA作为一个数据湖的解决方案，
客户有每天周期性的调度一些任务从DLA查询数据回流到业务系统的需求。因为DLA兼容
MySQL的协议，因此所有支持MySQL的协议的调度框架都天然支持DLA，今天就来介绍一下使用业界著名的
Apache Airflow 来调度DLA的作业。

大致步骤如下:

1. 购买一个ECS用来运行Airflow
2. 安装Airflow
3. 添加DLA的DB Connection
4. 开发任务脚本

购买ECS并进行配置

购买ECS的详细流程这里就不一一罗列了，非常的简单，按照官方的购买流程可以分分钟完成，需要注意的几点这里说一下:

• 购买的ECS的Region要和你的数据所在Region(其实也就是你开通DLA的 Region 保持一致)。
• 购买的ECS需要开通外网访问权限，因为Airflow的一些网页控制台需要通过外网来访问。
• ECS购买好之后记得在安全组里面放行入方向的80端口，因为下面要安装的Airflow有web页面，我们需要通过80端口进行访问，如下图:

同时记录下这个ECS的外网地址:

安装Airflow

Airflow是一个Python写的软件，因此我们是通过Python的Package Manager：pip来安装的，因为我们要使用MySQL(而不是默认的SQLite) 来作为Airflow的元数据库, 因此我们还要安装MySQL相关的包:

# 安装Airflow本身
sudo pip install apache-airflow[mysql]

# 安装MySQL相关的依赖
sudo apt-get install mysql-sever
sudo apt-get install libmysqlclient-dev
sudo pip install mysql-python

默认安装的MySQL有一个配置需要调整:

# /etc/mysql/mysql.conf.d/mysqld.cnf
[mysqld]
explicit_defaults_for_timestamp = 1

修改完成之后重启MySQL:

root@hello:~/airflow/dags# /etc/init.d/mysql restart
[ ok ] Restarting mysql (via systemctl): mysql.service.

Airflow 安装完成之后会在你的本地用户目录下产生 ~/airflow 目录, 它里面的内容大致如下:

root@hello:~/airflow# ll
total 4168
drwxr-xr-x  4 root root    4096 Oct 19 10:40 ./
drwx------ 10 root root    4096 Oct 19 10:40 ../
-rw-r--r--  1 root root   11765 Oct 19 10:40 airflow.cfg
drwxr-xr-x  2 root root    4096 Oct 18 19:32 dags/
drwxr-xr-x  6 root root    4096 Oct 18 17:52 logs/
-rw-r--r--  1 root root    1509 Oct 18 11:38 unittests.cfg

其中 airflow.cfg 是 Airflow集群的配置文件，各种配置都是在这里改的，dags 目录保存我们写的任务，后面我们要写的任务都是放在这个文件夹里面。

初始化Airflow元数据库

前面我们已经安装了 MySQL 数据库，现在我们来创建一个数据库给Airflow来保存元数据:

$ mysql \
    -uroot \
    -proot \
    -e "CREATE DATABASE airflow
        DEFAULT CHARACTER SET utf8
        DEFAULT COLLATE utf8_general_ci;

        GRANT ALL PRIVILEGES
        ON airflow.*
        TO 'airflow'@'localhost'
        IDENTIFIED BY 'airflow';

        FLUSH PRIVILEGES;"
        
$ airflow initdb

到之类为止，元数据库就初始化好了。

安装 Dask

Airflow本身是一个调度工具，任务的具体执行是交给一个叫做Executor的概念来做的，默认配置的executor是 SequentialExecutor, 不适合生产环境使用，分布式的Executor有 Celery 和 Dask, 但是笔者尝试过 Celery 之后发现坑有点多，这里推荐使用 Dask:

安装Dask:

pip install dask

运行 dask scheduler:

# default settings for a local cluster
DASK_HOST=127.0.0.1
DASK_PORT=8786

dask-scheduler --host $DASK_HOST --port $DASK_PORT

运行 dask worker:

dask-worker $DASK_HOST:$DASK_PORT

配置 airflow.cfg

因为使用的不是默认的配置：我们选择了使用MySQL来作为元数据库，使用Dask来执行任务，因此需要对配置文件: ~/airflow/airflow.cfg 进行修改:

[core]
# 使用Dask来运行任务
executor = DaskExecutor
# 元数据库的连接方式
sql_alchemy_conn = mysql://airflow:airflow@localhost:3306/airflow

[dask]
# Dask的调度地址
cluster_address = 127.0.0.1:8786

启动

到这里位置所有准备工作做完了，我们可以启动Airflow了，我们需要启动 Airflow 的三个模块:

webserver: 用来承载Airflow的管理控制页面:

airflow webserver -p 80 -D

scheduler: 任务调度器, 它会监控 ~/airflow/dags 下面我们定义的任务文件的变化，这样我们才能通过管理控制台及时看到我们新开发的任务:

airflow scheduler -D

worker: 跟Dask进行交互真正执行任务的:

airflow worker -D

如果一切顺利的话，一个Airflow的集群就已经Ready了，可以在上面执行任务了。默认安装里面已经一些示例的任务, 浏览器里面输入 http://<你ECS的外网IP> 就可以看到Airflow的控制页面了:

开发我们自己的任务

我们的目的是要用Airflow来调度DLA的任务，首先我们要添加一个连接串, Airflow里面通过Connection来保存连接串的具体信息, 打开页面: http://<你ECS的外网IP>/admin/connection/ 你会看到如下的页面:

我们添加一下DLA的连接信息:

这里比较重要的两个点:

1. 连接类型选择: MySQL (DLA兼容MySQL的协议)
2. Conn Id很关键，后面我们任务里面是通过这个Conn Id来访问数据源的。

开发我们的任务代码

from airflow.operators.python_operator import PythonOperator
from airflow.operators.bash_operator import BashOperator
from datetime import datetime, timedelta
from airflow.hooks.mysql_hook import MySqlHook

default_args = {
    'owner': 'airflow',
    'depends_on_past': False,
    'start_date': datetime(2015, 6, 1),
    'email': ['airflow@example.com'],
    'email_on_failure': False,
    'email_on_retry': False,
    'retries': 1,
    'retry_delay': timedelta(minutes=5)
}

dag = DAG(
    'dlademo', default_args=default_args, schedule_interval=timedelta(1))

t1 = BashOperator(
    task_id='print_date',
    bash_command='echo hello-airflow',
    dag=dag)

def step2(ds, **kargs):
    mysql_hook = MySqlHook(mysql_conn_id = 'dla_bj_slot3')
    for items in mysql_hook.get_records("select * from tpch_1x.nation_text_date limit 20"):
        print items

t2 = PythonOperator(
    task_id='execute_dla_sql',
    provide_context=True,
    python_callable=step2,
    dag=dag)

t2.set_upstream(t1)

这个任务里面定义了一个DAG, 一个DAG表示一个任务流程，一个流程里面会执行有依赖关系的多个任务，DAG的第一个参数是DAG的名字, 这里我们叫 dlademo ，它的第三个参数是调度的周期，这里是每天调度一次: timedelta(1) 。

第一个任务是执行一个bash命令: echo hello-airflow, 第二个任务则是我们的SQL任务，这里写的比较简单，通过SQL把DLA数据库里面的一张表查询并打印出来，最后 t2.set_upstream(t1) 设置两个任务之间的依赖关系。

现在我们打开 http://<你的ECS公网IP>/admin/airflow/tree?dag_id=dlademo 就可以看到这个任务的详情了:

在这个图中我们可以看到我们定义的两个任务，以及它们之间的依赖关系。Airflow的功能非常的丰富，更多的功能就留给大家自己去体验了。

总结

Airflow是Apache的顶级项目，从项目的成熟度和功能的丰富度来说都很不错，入门也很简单，很容易就可以搭建自己的集群，并且它有自己的Connection机制，使得我们不需要把数据库的用户名密码暴露在任务脚本里面，使用DLA的同学们可以试试Airflow来调度自己的任务。

参考资料

• Airflow安装手册: https://airflow.apache.org/installation.html
• Scaling out with Dask: https://airflow.readthedocs.io/en/stable/howto/executor/use-dask.html