實用調度工具Airflow

作者：朱潔 2017-07-04 13:37:57

在傳統企業內部，數據集成是基礎，更是每個企業里面都至少有一個ETL工具或者調度+業務代碼實現ETL。說到ETL，開源比較有名的是kettle。

引言

前面寫過一篇文章《端午搬磚：聊聊調度云服務》，主要講云服務的。如果企業也業務上云，可以優先選用這些服務，減少工作量。

而在傳統企業內部，數據集成是基礎，更是每個企業里面都至少有一個ETL工具或者調度+業務代碼實現ETL。

Kettle

說到ETL，開源比較有名的是kettle(Kettle英文是水壺的名字，你要是去美國或者歐洲出差，很多酒店是不提供熱水的，你可以電話前臺要一個kettle)。現在有一家叫petaho的公司專門做kettle的商業版本。

kettle是純java工具，Kettle 是一款國外開源的 ETL 工具，純 Java 編寫，Kettle 中有兩種腳本文件，transformation 和 job，transformation 完成針對數據的基礎轉換，job 則完成整個工作流的控制。這個工具發展很久了，不過感覺很重型，又是個C/S框架的，不是很推薦。Github上看，支持的人還是比較少。

一個通用的ETL工具其實是比較難的，主要是業務邏輯通常會靈活性和復雜度比較高，通過界面能全部配置出來太理想化了。所以反而是一些簡單的調度工具會適用范圍比較廣，業務邏輯由企業開發人員代碼實現，只解決基本調度的問題。

Airflow

這里介紹一個Airflow，這個是由Airbnb公司貢獻的，(Airbnb，是一個讓大眾出租住宿民宿的網站，提供短期出租房屋或房間的服務。最近業務也開到中國來了) 。這家公司前面還有一個基于mesos的chronos調度服務，見文章《Chronos:數據中心的任務調度器(job scheduler)》，不過現在已經停止更新了。Airflow是由airbnb的Maxime Beauchemin創建，目前是apache孵化項目，很有特點：

1. 主要是由Python實現的。Job定義也是靠python，不提供xml和界面定義的方式。下面是一個pipeline的定義例子，python本身是一種比較簡潔的語言，容易上手，所以經過一定的學習還是很容易掌握的。

""" 
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_argsdefault_args=default_args) 
# t1, t2 and t3 are examples of tasks created by instantiating operators 
t1 = BashOperator( 
task_id='print_date', 
bash_command='date', 
dagdag=dag) 
t2 = BashOperator( 
task_id='sleep', 
bash_command='sleep 5', 
retries=3, 
dagdag=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'}, 
dagdag=dag) 
t2.set_upstream(t1) 
t3.set_upstream(t1)