个人主页：IT贫道_大数据OLAP体系技术栈,Apache Doris,Clickhouse 技术-CSDN博客

私聊博主：加入大数据技术讨论群聊，获取更多大数据资料。

博主个人B栈地址：豹哥教你大数据的个人空间-豹哥教你大数据个人主页-哔哩哔哩视频

目录

1.什么是Airflow

2.Airflow架构

3.Airflow术语

4.Airflow工作原理

1.什么是Airflow

Apache Airflow是一个提供基于DAG有向无环图来编排工作流的、可视化的分布式任务调度平台，与Oozie、Azkaban等任务流调度平台类似。Airflow在2014年由Airbnb发起，2016年3月进入Apache基金会，在2019年1月成为顶级项目。Airflow采用Python语言编写，提供可编程方式定义DAG工作流，可以定义一组有依赖的任务，按照依赖依次执行， 实现任务管理、调度、监控功能。

另外，Airflow提供了WebUI可视化界面，提供了工作流节点的运行监控，可以查看每个节点的运行状态、运行耗时、执行日志等。也可以在界面上对节点的状态进行操作，如：标记为成功、标记为失败以及重新运行等。在Airflow中工作流上每个task都是原子可重试的，一个工作流某个环节的task失败可自动或手动进行重试，不必从头开始跑。

Airflow官网：http://airflow.apache.org/，Airflow支持的任务调度类型如下：

2.Airflow架构

Airflow我们可以构建Workflow工作流，工作流使用DAG有向无环图来表示，DAG指定了任务之间的关系，如下图：

Airflow架构图如下：

Airflow在运行时有很多守护进程，这些进程提供了airflow全部功能，守护进程包括如下：

1) webserver：

WebServer服务器可以接收HTTP请求，用于提供用户界面的操作窗口，主要负责中止、恢复、触发任务；监控任务；断点续跑任务；查询任务状态、详细日志等。

2) Scheduler:

调度器，负责周期性调度处理工作流，并将工作流中的任务提交给Executor执行。

3) Executor:

执行器，负责运行task任务，在默认本地模式下（单机airflow）会运行在调度器Scheduler中并负责所有任务的处理。但是在airflow集群模式下的执行器Executor有很多类型，负责将任务task实例推送给Workers节点执行。

在Airflow中执行器有很多种选择，最关键的执行器有以下几种：

  • SequentialExecutor：默认执行器，单进程顺序执行任务，通常只用于测试。
  • LocalExecutor:多进程本地执行任务。
  • CeleryExecutor：分布式执行任务，多用于生产场景，使用时需要配置消息队列。
  • DaskExecutor:动态任务调度，支持远程集群执行airflow任务。

生产环境中建议使用CeleryExecutor作为执行器，Celery是一个分布式调度框架，本身无队列功能，需要使用第三方插件，例如：RabbitMQ或者Redis。

关于不同Executor类型可以参考官网：https://airflow.apache.org/docs/apache-airflow/stable/executor/index.html

4) work:

Worker负责执行具体的DAG任务，会启动1个或者多个Celery任务队列，当ariflow的Executor设置为CeleryExecutor时才需要开启Worker进程。

5) DAG Directory:

存放定义DAG任务的Python代码目录，代表一个Airflow的处理流程。需要保证Scheduler和Executor都能访问到。

6) metadata database:

Airflow的元数据库，用于Webserver、Executor及Scheduler存储各种状态数据，通常是MySQL或PostgreSQL。

3.Airflow术语

  • DAG
  • DAG是Directed Acyclic Graph有向无环图的简称，描述其描述数据流的计算过程。
  • Operators

描述DAG中一个具体task要执行的任务，可以理解为Airflow中的一系列“算子”，底层对应python class。不同的Operator实现了不同的功能，如：BashOperator为执行一条bash命令，EmailOperator用户发送邮件，HttpOperators用户发送HTTP请求，PythonOperator用于调用任意的Python函数。

  • Task

Task是Operator的一个实例，也就是DAG中的一个节点，在某个Operator的基础上指定具体的参数或者内容就形成一个Task，DAG中包含一个或者多个Task。

  • Task Instance

task每一次运行对应一个Task Instance，Task Instance有自己的状态，例如：running,success,failed,skipped等。

  • Task Relationships：

一个DAG中可以有很多task，这些task执行可以有依赖关系，例如：task1执行后再执行task2，表明task2依赖于task1，这就是task之间的依赖关系。

4.Airflow工作原理

airflow中各个进程彼此之间是独立不互相依赖，也不互相感知，每个进程在运行时只处理分配到自身的任务，各个进程在一起运行，提供了Airflow全部功能，其工作原理如下：

  1. 调度器Scheduler会间隔性轮询元数据库（Metastore）已注册的DAG有向无环图作业流，决定是否执行DAG，如果一个DAG根据其调度计划需要执行，Scheduler会调度当前DAG并触发DAG内部task，这里的触发其实并不是真正的去执行任务，而是推送task消息到消息队列中，每一个task消息都包含此task的DAG ID,Task ID以及具体需要执行的函数，如果task执行的是bash脚本，那么task消息还会包含bash脚本代码。
  2. Worker进程将会监听消息队列，如果有消息就从消息队列中获取消息并执行DAG中的task，如果成功将状态更新为成功，否则更新成失败。
  3. 用户可以通过webserver webui来控制DAG，比如手动触发一个DAG去执行，手动触发DAG与自动触发DAG执行过程都一样。