大数据调度平台Airflow（七）：Airflow分布式集群搭建原因及其他扩展

Airflow分布式集群搭建原因及其他扩展

一、Airflow分布式集群搭建原因

在稳定性要求较高的场景中，例如：金融交易系统，airflow一般采用集群、高可用方式搭建部署，airflow对应的进程分布在多个节点上运行，形成Airflow集群、高可用部署，架构图如下：

以上集群、高可用方式搭建Airflow好处如下：

• 如果一个worker节点崩溃挂掉，集群仍然可以正常利用其他worker节点来调度执行任务。
• 当工作流中有内存密集型任务，任务最好分布在多态机器上执行以得到更好效果，airflow分布式集群满足这点。

二、​​​​​​​Airflow分布式集群其他扩展

1、​​​​​​​扩展Worker节点

我们可以通过向集群中添加更多的worker节点来水平扩展集群，并使这些新节点使用同一个元数据库，从而分布式处理任务。由于Worker不需要再任何进程注册即可执行任务，因此worker节点可以在不停机，不重启服务下的情况进行扩展。

我们也可以通过增加单个worker节点的进程数来垂直扩展集群，可以通过修改airflow配置文件AIRFLOW_HOME/airflow.cfg中celeryd_concurrency的值来实现，例如：celeryd_concurrency=30,我们可以根据集群上运行任务性质、CPU的内核数量等增加Worker单节点并发数量来满足实际需求。

扩展worker节点后的架构如下：

2、​​​​​​​扩展Master节点

我们还可以向集群中添加更多的主节点，以扩展主节点上运行的服务。我们可以扩展webserver，防止太多的HTTP请求出现在一台机器上防止webserver挂掉，需要注意，Master节点包含Scheduler与webServer，在一个Airflow集群中我们只能一次运行一个Scheduler进程，如果有多个Scheduler运行，那么可能出现同一个任务被执行多次，导致任务流重复执行。

Master扩展参照后续Airflow分布式集群搭建，扩展Master后的架构如下：

3、​​​​​​​Scheduler HA

扩展Master后的Airflow集群中只能运行一个Scheduler，那么运行的Scheudler进程挂掉，任务同样不能正常调度运行，这种情况我们可以在两台机器上部署scheduler，只运行一台机器上的Scheduler进程，一旦运行Schduler进程的机器出现故障，立刻启动另一台机器上的Scheduler即可，这种就是Schduler HA，我们可以借助第三方组件airflow-scheduler-failover-controller实现Scheduler的高可用。

详细操作参照后续Airflow分布式集群搭建，加入Scheduler HA的架构如下：