编写目的

最近工作任务需要把原来使用Kettle的ETL流程迁移到Hadoop平台上，就需要找一个替代Kettle工作流部分的工具。在大数据环境下，常用的无非是Oozie，Airflow或者Azkaban。经过简单的评估之后，我们选择了轻量化的Airflow作为我们的工作流工具。

Airflow是一个工作流分配管理系统，通过有向非循环图的方式管理任务流程，设置任务依赖关系和时间调度。Airflow独立于我们要运行的任务，只需要把任务的名字和运行方式提供给Airflow作为一个task就可以。

安装流程

本次安装Airflow 1.8 ，而不是最新版的apache-airflow 1.9，主要原因是1.9版本的所有运行都是基于UTC时间的，这样导致在配置调度信息的时候不够直观。目前开发中的2.0版本已经可以设置本地时区，但是还没有公开发布。

系统准备

Python 3.5 ：Anaconda 4.2环境

MySQL 5.6 ：使用LocalExcutor模式，所有DAG信息保存在后端数据库中。

OS 用户：etl

创建数据库

后端使用MySQL数据库来保存任务信息，先在数据库中建立database和user。如下

create database airflow;

grant all privileges on airflow.* to 'airflow'@'%' identified by 'airflow';

flush privileges;

环境变量

Airflow在运行过程中会使用全局环境变量，所以必须先在~/.bash_profile 中增加变量如下

export AIRFLOW_HOME=/home/etl/airflow

安装airflow

使用pip安装airflow以及依赖的数据库驱动之后，需要进行初始化。这个过程会生成默认的配置文件ariflow.cfg，后续的配置修改就通过这个文件进行。

# 默认安装1.8版本，因为1.9版本的名字变成了apache-airflow
pip install airflow

# 因为需要连接MySQL数据库，所以需要安装驱动
pip install airflow[mysql]

# 初始化数据库，这一步是必须的，否则无法生成默认配置文件
airflow initdb

# 创建需要的文件夹，否则运行时会报错找不到默认文件夹
mkdir dags
mkdir logs

启用Web权限

默认情况下airflow的web管理台是没有用户密码的，在迁移到正式环境之前，我们需要启用权限机制。

在airflow.cfg中设置如下选项

[webserver]
authenticate = True
auth_backend = airflow.contrib.auth.backends.password_auth

启用权限之后，在第一次登录之前必须手动通过python REPL来设置初始用户

import airflow
from airflow import models, settings
from airflow.contrib.auth.backends.password_auth import PasswordUser

user = PasswordUser(models.User())
user.username = 'airflow'
user.email = 'airflow@xxx.com'
user.password = 'airflow'

session = settings.Session()
session.add(user)
session.commit()
session.close()

exit()

修改数据库连接

因为使用MySQL作为元数据库，所以还需要配置数据库的连接参数。在airflow.cfg中设置如下选项

[core]
executor = LocalExecutor
sql_alchemy_conn = mysql://airflow:airflow@192.168.100.57:3306/airflow?charset=utf8

更改数据库连接方式之后，需要重新执行一次初始化操作。

airflow initdb

其他参数修改

还有一些零散的配置不好归类，就统一记录在这里。

任务成功，失败或重试后发送邮件通知的配置

[email]
email_backend = airflow.utils.email.send_email_smtp

[smtp]
smtp_host = smtp.mxhichina.com
smtp_starttls = False
smtp_ssl = False

# Uncomment and set the user/pass settings if you want to use SMTP AUTH
smtp_user = bialert@xxx.com
smtp_password = ******
smtp_port = 25
smtp_mail_from = bialert@xxx.com

默认情况下，Web界面会把样例DAG都显示出来非常混乱。除了在数据库中删除样例DAG之外，也可以通过配置不显示这部分样例。

# 不显示样例DAG
load_examples = False

Airflow的catchup机制，会在你启动一个DAG的时候，把当前时间之前未执行的job依次执行一次。这个好处是可以把遗漏的调度任务进行补足，但是在很多时候我们并不需要这个特性。通过修改配置，可以禁止catchup，如下

[scheduler]
# 避免执行catchup，即避免把当前时间之前未执行的job都执行一次
catchup_by_default = False

WEB管理

WEB界面

在默认的8080端口页面上，可以对DAG进行日常操作，包括但不限于启动，停止，查看日志等。界面如下图

管理脚本

当前版本Airflow没有提供关闭脚本，也没有提供一个便捷的办法来彻底删除DAG。为了方便测试，我写了一个管理脚本来处理相关的任务。

脚本调用方式如下

$ ./airflow_util.py -h
usage: airflow_util.py [-h] [-k] [-s] [--clear CLEAR] [--delete DELETE]

optional arguments:
  -h, --help       show this help message and exit
  -k, --kill       关闭Airflow
  -s, --start      启动Airflow
  --clear CLEAR    删除历史日志
  --delete DELETE  提供需要删除的DAG ID

管理脚本源代码如下

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import argparse
import pymysql
import subprocess
import time

#连接配置信息
config = {
     'host':'127.0.0.1',
     'port':3306,
     'user':'airflow',
     'password':'airflow',
     'db':'airflow',
     'charset':'utf8',
     }

# 删除历史日志
def clear_log(num):
    print("Clear logs before {0} days ...".format(num))
    cmd = "find %s -maxdepth 1 -type d -mtime +%d | xargs -i rm -rf {}" 
    subprocess.call(cmd % ('./logs',num), shell=True)
    subprocess.call(cmd % ('./logs/scheduler',num), shell=True)

# 通过杀掉后台进程来关闭Airflow
def kill_airflow():
    print("Stoping Airflow ...")
    # exclude current file in case the file name contains keyword 'airflow'
    cmd = "ps -ef | grep -Ei 'airflow' | grep -v 'grep' | grep -v '%s' | awk '{print $2}' | xargs -i kill -9 {}" % (__file__.split('/')[-1])
    subprocess.call(cmd, shell=True)

# 启动Airflow 
def start_airflow():
    kill_airflow()
    time.sleep(3)

    print("Starting Airflow Webserver ...")
    subprocess.call("rm logs/webserver.log", shell=True)
    subprocess.call("nohup airflow webserver >>logs/webserver.log 2>&1 &", shell=True)
    
    print("Starting Airflow Scheduler ...")
    subprocess.call("rm logs/scheduler.log", shell=True)
    subprocess.call("nohup airflow scheduler >>logs/scheduler.log 2>&1 &", shell=True)

# 删除指定DAG ID在数据库中的全部信息。
# PS：因为SubDAG的命名方式为 parent_id.child_id ，所以也会把符合这种规则的SubDAG删除！
def delete_dag(dag_id):
    # 创建连接
    connection = pymysql.connect(**config)
    cursor = connection.cursor()

    sql="select dag_id from airflow.dag where (dag_id like '{}.%' and is_subdag=1) or dag_id='{}'".format(dag_id, dag_id)
    cursor.execute(sql)
    rs = cursor.fetchall()
    dags = [r[0] for r in rs ] 

    for dag in dags:
        for tab in ["xcom", "task_instance", "sla_miss", "log", "job", "dag_run", "dag_stats", "dag" ]:
            sql="delete from airflow.{} where dag_id='{}'".format(tab, dag)
            print(sql)
            cursor.execute(sql)

    connection.commit()
    connection.close()

#
def main_process():
    parser = argparse.ArgumentParser()

    parser.add_argument("-k", "--kill", help="关闭Airflow", action='store_true')
    parser.add_argument("-s", "--start", help="启动Airflow", action='store_true')
    parser.add_argument("--clear", help="删除历史日志", type=int)
    parser.add_argument("--delete", help="提供需要删除的DAG ID")

    args = parser.parse_args()

    if args.kill:
        kill_airflow()
    if args.start:
        start_airflow()
    if args.clear:
        clear_log(args.clear)
    if args.delete:
        delete_dag(args.delete)

if __name__ == '__main__':
    main_process()

编写DAG

原生Airflow的工作流通过简单的python脚本来进行定义（有一些第三方扩展可以实现拖放模式的定义）。

普通DAG

对于task不是特别多的场景，把所有task都定义在同一个py文件里面即可。如下，定义了4个task

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import airflow
from airflow.models import DAG
from airflow.operators.bash_operator import BashOperator
from datetime import timedelta, datetime

template_caller = "sh /home/etl/jupyter_home/etl_script/spark_scheduler/subdir/caller_spark.sh -m {0} -f {1} "
template_file = '/home/etl/jupyter_home/etl_script/spark_scheduler/subdir/{0}'
default_spark_master = 'spark://192.168.100.51:7077'

#-------------------------------------------------------------------------------
default_args = {
    'owner': '测试',
    'depends_on_past': False,
    'start_date': datetime(2018,4,24,14,0,0),
    'email': ['xxx@xxx.com'],
    'email_on_failure': True,
}

#-------------------------------------------------------------------------------
dag = DAG(
    'demo_spark_normal',
    default_args=default_args,
    description='测试-调用Spark',
    schedule_interval='*/20 * * * *')

#-------------------------------------------------------------------------------
# spark operator
cmd = template_caller.format(default_spark_master, template_file.format('hive_rw.ipynb'))
t1 = BashOperator( task_id='spark_hive', bash_command=cmd , dag=dag)

cmd = template_caller.format(default_spark_master, template_file.format('jdbc_rw.ipynb'))
t2 = BashOperator( task_id='spark_jdbc', bash_command=cmd , dag=dag)

cmd = template_caller.format(default_spark_master, template_file.format('csv_relative.py'))
t3 = BashOperator( task_id='spark_csv', bash_command=cmd , dag=dag)

cmd = template_caller.format(default_spark_master, template_file.format('pure_sql.sql'))
t4 = BashOperator( task_id='spark_sql', bash_command=cmd , dag=dag)
#-------------------------------------------------------------------------------
# dependencies
t1 >> t2 >> t4
t1 >> t3 >> t4

SubDAG

当一个工作流里面的task过多，UI显示会比较拥挤，这种场景下可以通过把task分类到不同SubDAG中的办法来实现。在具体编写上，又可以分为单一py文件和多个py文件的方案。

单一文件

这种情况下，我们把DAG和SubDAG都写在一个py文件里面。优点是只有一个文件易于编写，缺点是如果task比较多的话，文件不易管理。

#!/usr/bin/env python
# -*- coding: utf-8 -*-

from datetime import datetime, timedelta
from airflow.models import DAG
from airflow.operators.subdag_operator import SubDagOperator
from airflow.operators.bash_operator import BashOperator
from datetime import datetime

PARENT_DAG_NAME = 'atest_04'
#CHILD_DAG_NAME = 'child_dag'

default_args = {
        'owner': '测试',
        'depends_on_past': False,
}

main_dag = DAG(
  dag_id=PARENT_DAG_NAME,
  default_args=default_args,
  description='测试-内嵌SubDAG',
  start_date=datetime(2018,4,21,16,0,0),
  schedule_interval='*/30 * * * *'
)


# Dag is returned by a factory method
def sub_dag(parent_dag_name, child_dag_name, start_date, schedule_interval):
  dag = DAG(
    '%s.%s' % (parent_dag_name, child_dag_name),
    schedule_interval=schedule_interval,
    start_date=start_date,
  )

  t1 = BashOperator(
      task_id='print_{}'.format(child_dag_name),
      bash_command='echo sub key_{}  `date` >> /home/etl/airflow/test.log'.format(child_dag_name),
      dag=dag)

  return dag

#
sub_dag_1 = SubDagOperator(
  subdag=sub_dag(PARENT_DAG_NAME, 'child_01', main_dag.start_date, main_dag.schedule_interval),
  task_id='child_01',
  dag=main_dag,
)

sub_dag_2 = SubDagOperator(
  subdag=sub_dag(PARENT_DAG_NAME, 'child_02', main_dag.start_date, main_dag.schedule_interval),
  task_id='child_02',
  dag=main_dag,
)

#
sub_dag_1 >> sub_dag_2

多个文件

当SubDAG比较多的场景下，把DAG文件保存在独立的py文件中是一种更好的方法。文件目录结构如下

主文件如下

PS：因为在airflow中调用其他文件的过程中会出现找不到model的错误，所以在主文件中增加了一句处理路径的语句。如果有更好的办法，可以对这个进行替换。

sys.path.append(os.path.abspath(os.path.dirname(__file__)))

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import sys, os
sys.path.append(os.path.abspath(os.path.dirname(__file__)))

from datetime import datetime, timedelta
from airflow.models import DAG
from airflow.operators.subdag_operator import SubDagOperator
from datetime import datetime

from sub.subdag import sub_dag

PARENT_DAG_NAME = 'atest_03'
CHILD_DAG_NAME = 'child_dag'

default_args = {
        'owner': '测试',
        'depends_on_past': False,
}

main_dag = DAG(
  dag_id=PARENT_DAG_NAME,
  default_args=default_args,
  description='测试-独立SubDAG',
  start_date=datetime(2018,4,14,19,0,0),
  schedule_interval='*/10 * * * *',
  catchup=False
)

sub_dag = SubDagOperator(
  subdag=sub_dag(PARENT_DAG_NAME, CHILD_DAG_NAME, main_dag.start_date,
                 main_dag.schedule_interval),
  task_id=CHILD_DAG_NAME,
  dag=main_dag,
)

子文件如下

#!/usr/bin/env python
# -*- coding: utf-8 -*-

from airflow.models import DAG
from airflow.operators.bash_operator import BashOperator

# Dag is returned by a factory method
def sub_dag(parent_dag_name, child_dag_name, start_date, schedule_interval):
  dag = DAG(
    '%s.%s' % (parent_dag_name, child_dag_name),
    schedule_interval=schedule_interval,
    start_date=start_date,
  )

  t1 = BashOperator(
      task_id='print_1',
      bash_command='echo sub 1 `date` >> /home/etl/airflow/test.log',
      dag=dag)

  return dag

Schedule和Trigger

在DAG上，任务的触发由两个主要参数定义，start_date 和 schedule_interval 。一个DAG第一次被触发的时间点是 start_date + schedule_interval。举例如下：

start_date         2018-04-20 14:00:00 
schedule_interval  */30 * * * *

那第一次触发会在14:30发生，但是执行的是14:00的任务。根据激活DAG时间的不同，会发生不同的触发。

如果激活时间还不到第一次触发时间（如14:10激活），那第一次触发在14:30会准时进行。
如果激活时间超过第一次触发（如15:40激活），那根据catchup=True配置，会发生多次backfill操作，即把所有空缺的部分进行依次触发，具体就是14:00, 14:30, 15:00这几次任务。为啥最后一次不是15:30？因为在15:30这个时间点执行的其实是15:00的那一次任务。
如果激活时间超过第一次触发（如15:40激活），那根据catchup=False配置，会把空缺的最后一次进行触发。

综上，如果希望每30分钟触发一次，并且第一次触发发生在14:00，那么设置的start_date就应该是 13:30:00，这样在14:00的时候，就会触发第一次任务。

附录

修改默认日志级别

在1.8版本中，不能直接通过cfg文件来配置LOGGING LEVEL，所以采用修改源码的方式实现这个功能。

PS：在1.9之后的版本中，据说可以直接进行配置，我没有测试。

vi /opt/anaconda3/lib/python3.5/site-packages/airflow/settings.py

# 修改此处代码，把默认的INFO修改成WARN即可
LOGGING_LEVEL = logging.WARN