Azkaban Flow 2.0的使用

一、Flow 2.0 简介

1.1 Flow 2.0 的产生

Azkaban 目前同时支持 Flow 1.0 和 Flow2.0 ，但是官方文档上更推荐使用 Flow 2.0，因为 Flow 1.0 会在将来的版本被移除。Flow 2.0 的主要设计思想是提供 1.0 所没有的流级定义。用户可以将属于给定流的所有 job / properties 文件合并到单个流定义文件中，其内容采用 YAML 语法进行定义，同时还支持在流中再定义流，称为为嵌入流或子流。

1.2 基本结构

项目 zip 将包含多个流 YAML 文件，一个项目 YAML 文件以及可选库和源代码。Flow YAML 文件的基本结构如下：

  • 每个 Flow 都在单个 YAML 文件中定义；
  • 流文件以流名称命名，如：my-flow-name.flow；
  • 包含 DAG 中的所有节点；
  • 每个节点可以是作业或流程；
  • 每个节点 可以拥有 name, type, config, dependsOn 和 nodes sections 等属性；
  • 通过列出 dependsOn 列表中的父节点来指定节点依赖性；
  • 包含与流相关的其他配置；
  • 当前 properties 文件中流的所有常见属性都将迁移到每个流 YAML 文件中的 config 部分。

官方提供了一个比较完善的配置样例，如下：

  1. config:
  2.   user.to.proxy: azktest
  3.   param.hadoopOutData: /tmp/wordcounthadoopout
  4.   param.inData: /tmp/wordcountpigin
  5.   param.outData: /tmp/wordcountpigout
  7. # This section defines the list of jobs
  8. # A node can be a job or a flow
  9. # In this example, all nodes are jobs
  10. nodes:
  11.  # Job definition
  12.  # The job definition is like a YAMLified version of properties file
  13.  # with one major difference. All custom properties are now clubbed together
  14.  # in a config section in the definition.
  15.  # The first line describes the name of the job
  16.  - name: AZTest
  17.    type: noop
  18.    # The dependsOn section contains the list of parent nodes the current
  19.    # node depends on
  20.    dependsOn:
  21.      - hadoopWC1
  22.      - NoOpTest1
  23.      - hive2
  24.      - java1
  25.      - jobCommand2
  27.  - name: pigWordCount1
  28.    type: pig
  29.    # The config section contains custom arguments or parameters which are
  30.    # required by the job
  31.    config:
  32.      pig.script: src/main/pig/wordCountText.pig
  34.  - name: hadoopWC1
  35.    type: hadoopJava
  36.    dependsOn:
  37.      - pigWordCount1
  38.    config:
  39.      classpath: ./*
  40.      force.output.overwrite: true
  41.      input.path: ${param.inData}
  42.      job.class: com.linkedin.wordcount.WordCount
  43.      main.args: ${param.inData} ${param.hadoopOutData}
  44.      output.path: ${param.hadoopOutData}
  46.  - name: hive1
  47.    type: hive
  48.    config:
  49.      hive.script: src/main/hive/showdb.q
  51.  - name: NoOpTest1
  52.    type: noop
  54.  - name: hive2
  55.    type: hive
  56.    dependsOn:
  57.      - hive1
  58.    config:
  59.      hive.script: src/main/hive/showTables.sql
  61.  - name: java1
  62.    type: javaprocess
  63.    config:
  64.      Xms: 96M
  65.      java.class: com.linkedin.foo.HelloJavaProcessJob
  67.  - name: jobCommand1
  68.    type: command
  69.    config:
  70.      command: echo "hello world from job_command_1"
  72.  - name: jobCommand2
  73.    type: command
  74.    dependsOn:
  75.      - jobCommand1
  76.    config:
  77.      command: echo "hello world from job_command_2"

二、YAML语法

想要使用 Flow 2.0 进行工作流的配置，首先需要了解 YAML 。YAML 是一种简洁的非标记语言，有着严格的格式要求的，如果你的格式配置失败，上传到 Azkaban 的时候就会抛出解析异常。

2.1 基本规则

  1. 大小写敏感 ；
  2. 使用缩进表示层级关系 ；
  3. 缩进长度没有限制，只要元素对齐就表示这些元素属于一个层级；
  4. 使用#表示注释 ；
  5. 字符串默认不用加单双引号，但单引号和双引号都可以使用，双引号表示不需要对特殊字符进行转义；
  6. YAML 中提供了多种常量结构，包括：整数，浮点数，字符串，NULL，日期，布尔，时间。

2.2 对象的写法

  1. # value 与 ： 符号之间必须要有一个空格
  2. key: value

2.3 map的写法

  1. # 写法一 同一缩进的所有键值对属于一个map
  2. key: 
  3.     key1: value1
  4.     key2: value2
  6. # 写法二
  7. {key1: value1, key2: value2}

2.3 数组的写法

  1. # 写法一 使用一个短横线加一个空格代表一个数组项
  2. - a
  3. - b
  4. - c
  6. # 写法二
  7. [a,b,c]

2.5 单双引号

支持单引号和双引号，但双引号不会对特殊字符进行转义：

  1. s1: '内容\n 字符串'
  2. s2: "内容\n 字符串"
  4. 转换后：
  5. { s1: '内容\\n 字符串', s2: '内容\n 字符串' }

2.6 特殊符号

一个 YAML 文件中可以包括多个文档，使用 --- 进行分割。

2.7 配置引用

Flow 2.0 建议将公共参数定义在 config 下，并通过 ${} 进行引用。

三、简单任务调度

3.1 任务配置

新建 flow 配置文件：

  1. nodes:
  2.   - name: jobA
  3.     type: command
  4.     config:
  5.       command: echo "Hello Azkaban Flow 2.0."

在当前的版本中，Azkaban 同时支持 Flow 1.0 和 Flow 2.0，如果你希望以 2.0 的方式运行，则需要新建一个 project 文件，指明是使用的是 Flow 2.0：

  1. azkaban-flow-version: 2.0

3.2 打包上传

Azkaban Flow 2.0 的使用 - 图1

3.3 执行结果

由于在 1.0 版本中已经介绍过 Web UI 的使用，这里就不再赘述。对于 1.0 和 2.0 版本，只有配置方式有所不同，其他上传执行的方式都是相同的。执行结果如下：

Azkaban Flow 2.0 的使用 - 图2

四、多任务调度

和 1.0 给出的案例一样，这里假设我们有五个任务（jobA——jobE）, D 任务需要在 A，B，C 任务执行完成后才能执行，而 E 任务则需要在 D 任务执行完成后才能执行，相关配置文件应如下。可以看到在 1.0 中我们需要分别定义五个配置文件，而在 2.0 中我们只需要一个配置文件即可完成配置。

  1. nodes:
  2.   - name: jobE
  3.     type: command
  4.     config:
  5.       command: echo "This is job E"
  6.     # jobE depends on jobD
  7.     dependsOn: 
  8.       - jobD
  10.   - name: jobD
  11.     type: command
  12.     config:
  13.       command: echo "This is job D"
  14.     # jobD depends on jobA、jobB、jobC
  15.     dependsOn:
  16.       - jobA
  17.       - jobB
  18.       - jobC
  20.   - name: jobA
  21.     type: command
  22.     config:
  23.       command: echo "This is job A"
  25.   - name: jobB
  26.     type: command
  27.     config:
  28.       command: echo "This is job B"
  30.   - name: jobC
  31.     type: command
  32.     config:
  33.       command: echo "This is job C"

五、内嵌流

Flow2.0 支持在一个 Flow 中定义另一个 Flow，称为内嵌流或者子流。这里给出一个内嵌流的示例，其 Flow 配置如下：

  1. nodes:
  2.   - name: jobC
  3.     type: command
  4.     config:
  5.       command: echo "This is job C"
  6.     dependsOn:
  7.       - embedded_flow
  9.   - name: embedded_flow
  10.     type: flow
  11.     config:
  12.       prop: value
  13.     nodes:
  14.       - name: jobB
  15.         type: command
  16.         config:
  17.           command: echo "This is job B"
  18.         dependsOn:
  19.           - jobA
  21.       - name: jobA
  22.         type: command
  23.         config:
  24.           command: echo "This is job A"

内嵌流的 DAG 图如下：

Azkaban Flow 2.0 的使用 - 图3

执行情况如下：

Azkaban Flow 2.0 的使用 - 图4

参考资料

  1. Azkaban Flow 2.0 Design
  2. Getting started with Azkaban Flow 2.0