实用调度工具Airflow

引言

前面写过一篇文章《端午搬砖：聊聊调度云服务》，主要讲云服务的。如果企业也业务上云，可以优先选用这些服务，减少工作量。

而在传统企业内部，数据集成是基础，更是每个企业里面都至少有一个ETL工具或者调度+业务代码实现ETL。

Kettle

说到ETL，开源比较有名的是kettle（Kettle英文是水壶的名字，你要是去美国或者欧洲出差，很多酒店是不提供热水的，你可以电话前台要一个kettle）。现在有一家叫petaho的公司专门做kettle的商业版本。

kettle是纯java工具，Kettle 是一款国外开源的 ETL 工具，纯 Java 编写，Kettle 中有两种脚本文件，transformation 和 job，transformation 完成针对数据的基础转换，job 则完成整个工作流的控制。这个工具发展很久了，不过感觉很重型，又是个C/S框架的，不是很推荐。Github上看，支持的人还是比较少。

一个通用的ETL工具其实是比较难的，主要是业务逻辑通常会灵活性和复杂度比较高，通过界面能全部配置出来太理想化了。所以反而是一些简单的调度工具会适用范围比较广，业务逻辑由企业开发人员代码实现，只解决基本调度的问题。

Airflow

这里介绍一个Airflow，这个是由Airbnb公司贡献的，(Airbnb，是一个让大众出租住宿民宿的网站，提供短期出租房屋或房间的服务。最近业务也开到中国来了) 。这家公司前面还有一个基于mesos的chronos调度服务，见文章《Chronos:数据中心的任务调度器（job scheduler)》，不过现在已经停止更新了。Airflow是由airbnb的Maxime Beauchemin创建，目前是apache孵化项目，很有特点：

1

主要是由Python实现的。Job定义也是靠python，不提供xml和界面定义的方式。下面是一个pipeline的定义例子，python本身是一种比较简洁的语言，容易上手，所以经过一定的学习还是很容易掌握的。

"""
Code that goes along with the Airflow tutorial located at:
https://github.com/airbnb/airflow/blob/master/airflow/example_dags/tutorial.py
"""
from airflow import DAG
from airflow.operators.bash_operator import BashOperator
from datetime import datetime, timedelta
default_args = {
'owner': 'airflow',
'depends_on_past': False,
'start_date': datetime(2015, 6, 1),
'email': ['airflow@airflow.com'],
'email_on_failure': False,
'email_on_retry': False,
'retries': 1,
'retry_delay': timedelta(minutes=5),
# 'queue': 'bash_queue',
# 'pool': 'backfill',
# 'priority_weight': 10,
# 'end_date': datetime(2016, 1, 1),
}
dag = DAG('tutorial', default_args=default_args)
# t1, t2 and t3 are examples of tasks created by instantiating operators
t1 = BashOperator(
task_id='print_date',
bash_command='date',
dag=dag)
t2 = BashOperator(
task_id='sleep',
bash_command='sleep 5',
retries=3,
dag=dag)
templated_command = """
{% for i in range(5) %}
echo "{{ ds }}"
echo "{{ macros.ds_add(ds, 7)}}"
echo "{{ params.my_param }}"
{% endfor %}
"""
t3 = BashOperator(
task_id='templated',
bash_command=templated_command,
params={'my_param': 'Parameter I passed in'},
dag=dag)
t2.set_upstream(t1)
t3.set_upstream(t1)

2

使用Jinja来做模板引擎，所以支持模板，Jinja也是Python实现的，对Python真是真爱呀。

3

虽然不支持常见的UI定义Pipeline，但是还是有丰富的UI界面来帮助pipeline的维护和管理。

（1）pipeline状态

(2)任务进度

（3）依赖关系管理

（4）甘特图可让您分析任务持续时间和重叠。帮助快速找出瓶颈以及大部分时间花在特定DAG运行中的位置。

（5）过去N批次运行不同任务的持续时间。快速查找异常值，并快速了解在多个运行中在DAG中花费的时间。

（6）更有意思的是，还支持交互式查询，一些基本，简单的数据分析在工具中就可以完成，所见即所得，不用编写pipeline，等任务完成之后才知道结果。

http://airflow.incubator.apache.org/profiling.html

4

扩展性方面支持和Celery和mesos集成

5

最后再看看社区状况，人不少，281个

不过14年的项目，现在还没有毕业，时间有点长了，可能是Airbnb也并不热衷这个事情。一个好的开源软件，背后一定要看到一个商业公司来推动他的发展，否则稳定性和未来的发展可能会一定的问题。

总结建议

最后，我个人的建议是，如果你想对调度工具有很强的掌控力，且有能力维护，就考虑选择airflow吧，否则还是算了吧。