大数据调度平台Airflow（二）：Airflow架构及原理

Airflow架构及原理

一、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：

• 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。

• 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。

• 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

• 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。

• 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。

• 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。

二、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。

三、​​​​​​​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。