Azkaban Overview

为什么需要工作流调度系统

• 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
• 各任务单元之间存在时间先后及前后依赖关系
• 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。

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、airflow 等

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

Azkaban 介绍

azkaban 官网：
https://azkaban.github.io/

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 (properties) 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：

• Web 用户界面
• 方便上传工作流
• 方便设置任务之间的关系
• 调度工作流
• 认证 / 授权 (权限的工作)
• 能够杀死并重新启动工作流
• 模块化和可插拔的插件机制
• 项目工作区
• 工作流和任务的日志记录和审计