Azkaban学习之路 （一）Azkaban的基础介绍

一、为什么需要工作流调度器

1、一个完整的数据分析系统通常都是由大量任务单元组成： shell 脚本程序，java 程序，mapreduce 程序、hive 脚本等

2、各任务单元之间存在时间先后及前后依赖关系

3、为了很好地组织起这样的复杂执行计划，需要一个工作流调度系统来调度执行

例如，我们可能有这样一个需求，某个业务系统每天产生 20G 原始数据，我们每天都要对其进行处理，处理步骤如下所示：

　　1、 通过 Hadoop 先将原始数据同步到 HDFS 上；

　　2、 借助 MapReduce 计算框架对原始数据进行清洗转换，生成的数据以分区表的形式存储 到多张 Hive 表中；

　　3、 需要对 Hive 中多个表的数据进行 JOIN 处理，得到一个明细数据 Hive 大表；

　　4、 将明细数据进行各种统计分析，得到结果报表信息；

　　5、 需要将统计分析得到的结果数据同步到业务系统中，供业务调用使用。

二、工作流调度实现方式

简单的任务调度：直接使用 linux 的 crontab 来定义；

复杂的任务调度：开发调度平台或使用现成的开源调度系统，比如 ooize、azkaban 等

三、常见工作流调度系统

市面上目前有许多工作流调度器 在 hadoop 领域，常见的工作流调度器有 Oozie, Azkaban,Cascading,Hamake 等

四、各种调度工具对比

下面的表格对上述四种 hadoop 工作流调度器的关键特性进行了比较，尽管这些工作流调度 器能够解决的需求场景基本一致，但在设计理念，目标用户，应用场景等方面还是存在显著 的区别，在做技术选型的时候，可以提供参考

特性	Hamake	Oozie	Azkaban	Cascading
工作流描述语言	XML	XML (xPDL based)	text file with key/value pairs	Java API
依赖机制	data-driven	explicit	explicit	explicit
是否要web容器	NO	YES	YES	NO
进度跟踪	console/log messages	web page	web page	Java API
Hadoop job调度支持	no	YES	YES	YES
运行模式	command line utility	daemon	daemon	API
Pig支持	yes	yes	yes	yes
事件通知	no	no	no	yes
需要安装	no	yes	yes	no
支持的hadoop版本	0.18+	0.20+	currently unknown	0.18+
重试支持	no	workflownode evel	yes	yes
运行任意命令	yes	yes	yes	yes
Amazon EMR支持	yes	no	currently unknown	yes

五、Azkaban 与 Oozie 对比

对市面上最流行的两种调度器，给出以下详细对比，以供技术选型参考。总体来说，ooize相比azkaban是一个重量级的任务调度系统，功能全面，但配置使用也更复杂。如果可以不在意某些功能的缺失，轻量级调度器azkaban是很不错的候选对象。 
详情如下：

功能 

两者均可以调度mapreduce,pig,java,脚本工作流任务 
两者均可以定时执行工作流任务

工作流定义 

Azkaban使用Properties文件定义工作流 
Oozie使用XML文件定义工作流

工作流传参 

Azkaban支持直接传参，例如inputOozie支持参数和EL表达式，例如inputOozie支持参数和EL表达式，例如{fs:dirSize(myInputDir)}

定时执行 

Azkaban的定时执行任务是基于时间的 
Oozie的定时执行任务基于时间和输入数据

资源管理 

Azkaban有较严格的权限控制，如用户对工作流进行读/写/执行等操作 
Oozie暂无严格的权限控制

工作流执行 

Azkaban有两种运行模式，分别是solo server mode(executor server和web server部署在同一台节点)和multi server mode(executor server和web server可以部署在不同节点) 
Oozie作为工作流服务器运行，支持多用户和多工作流

工作流管理 

Azkaban支持浏览器以及ajax方式操作工作流 
Oozie支持命令行、HTTP REST、Java API、浏览器操作工作流

六、Azkaban 介绍

Azkaban是由Linkedin开源的一个批量工作流任务调度器。用于在一个工作流内以一个特定的顺序运行一组工作和流程。Azkaban定义了一种KV文件格式来建立任务之间的依赖关系，并提供一个易于使用的web用户界面维护和跟踪你的工作流。 
它有如下功能特点： 
　　1、Web用户界面 
　　2、方便上传工作流 
　　3、方便设置任务之间的关系 
　　4、调度工作流 
　　5、认证/授权(权限的工作) 
　　6、能够杀死并重新启动工作流 
　　7、模块化和可插拔的插件机制 
　　8、项目工作区 
　　9、工作流和任务的日志记录和审计

七、azkaban调度的任务有可能有那些类型

　　1、shell脚本

　　2、java程序

　　3、MR程序

　　4、spark程序

　　5、hive的sql

　　6、python脚本

　　7、sqoop任务