解读分布式调度平台Airflow在华为云MRS中的实践

Posted 2022-05-24 华为云开发者社区

本文分享自华为云社区《分布式调度平台Airflow在华为云MRS中的实践》，作者： 啊喔YeYe 。

介绍

Airflow是一个使用Python语言编写的分布式调度平台，通过DAG（Directed acyclic graph 有向无环图）来管理任务，不需要知道业务数据的具体内容，设置任务的依赖关系即可实现任务调度。其平台拥有和Hive、Presto、mysql、HDFS、Postgres等数据源之间交互的能力，并且提供了hook，使其拥有很好地扩展性。
​​​​​​MapReduce服务提供租户完全可控的企业级大数据集群云服务，可轻松运行Hadoop、Spark、HBase、Kafka、Storm等大数据组件。Airflow对接MapReduce服务后，可依靠Airflow平台提供的命令行界面和一个基于Web的用户界面，可以可视化管理依赖关系、监控进度、触发任务等

环境准备

• 在华为云购买弹性云服务器ECS，用于安装运行Airflow，并绑定弹性公网IP，用于访问公网安装Airflow服务
• 已开通MRS 3.x普通集群
• 弹性云服务器ECS的虚拟私有云和安全组需与MRS普通集群一致，其公共镜像建议选择CentOS 8.2 64bit

安装Airflow

1. 登录已购买的Linux弹性云服务器，执行以下命令升级pip版本

pip3 install --upgrade pip==20.2.4

2. 安装Airflow以及创建登录Airflow的admin用户

使用vim 脚本名.sh新建脚本，写入如下内容并保存，使用sh 脚本名.sh执行脚本，执行完成后会创建登录Airflow的admin用户，并输入密码完成创建。本脚本会完成Airflow的安装以及创建登录Airflow的admin用户。脚本含义见注释。

# airflow needs a home, ~/airflow is the default, 
# but you can lay foundation somewhere else if you prefer 
# (optional) 
export AIRFLOW_HOME=~/airflow 
 
AIRFLOW_VERSION=2.0.1 
PYTHON_VERSION="$(python3 --version | cut -d " " -f 2 | cut -d "." -f 1-2)" 
# For example: 3.6 
CONSTRAINT_URL="https://raw.githubusercontent.com/apache/airflow/constraints-$AIRFLOW_VERSION/constraints-$PYTHON_VERSION.txt" 
# For example: https://raw.githubusercontent.com/apache/airflow/constraints-2.0.1/constraints-3.6.txt 
pip install "apache-airflow==$AIRFLOW_VERSION" --constraint "$CONSTRAINT_URL" 
 
# initialize the database 
airflow db init 
 
airflow users create \\ 
--username admin \\ 
--firstname Peter \\ 
--lastname Parker \\ 
--role Admin \\ 
--email [e-mail]

3.执行以下命令启动Airflow WebServer

airflow webserver --port 8080 -D

4. 执行以下命令启动Airflow Scheduler

airflow scheduler -D

5. 访问Airflow WebUI

在本地浏览器输入“http://ECS弹性IP:8080”网址，进入Airflow WebUI登录界面

登录之后：

提交spark作业至MRS

1. 参考安装客户端在运行Airflow的弹性云服务器ECS上安装MRS客户端

例如安装客户端到/opt/client目录下，安装命令:

sh ./install.sh /opt/client/ -o chrony

2. 在安装Airflow的目录下新建目录"dags"

如Airflow安装目录是“/root/airflow”，新建目录“/root/airflow/dags”

3. 新建提交Spark作业的Python脚本

在新建目录下使用vim 脚本名.py新建python脚本并保存，脚本内容如下:

from datetime import timedelta 
from airflow import DAG 
from airflow.operators.bash import BashOperator 
from airflow.operators.dummy import DummyOperator 
from airflow.utils.dates import days_ago 
 
args =  
'owner': 'airflow', 
 
 
dag = DAG( 
dag_id='spark-pi', 
default_args=args, 
start_date=days_ago(200), 
schedule_interval='@once', 
dagrun_timeout=timedelta(minutes=300), 
tags=['spark'], 
) 
 
run_this = BashOperator( 
task_id='run_on_yarn', 
# 其他组件命令参考MRS组件开发指南，将任务提交或运行命令替换到bash_command变量 
bash_command='source /opt/client/bigdata_env;spark-submit --class org.apache.spark.examples.SparkPi --master yarn --deploy-mode cluster /opt/client/Spark2x/spark/examples/jars/spark-examples_2.11-2.4.5-hw-ei-302023.jar 10', 
#bash_command='echo "run"; echo 0 >> /tmp/test', 
dag=dag, 
) 
 
run_this

4. 登录Airflow WebUI，单击“spark-pi”左侧的开关按钮，然后单击右侧的运行

5. 登录Manager页面，选择“集群 > 服务 > Yarn > 概览”

6. 步单击“ResourceManager WebUI”后面对应的链接，进入Yarn的WebUI页面，查看Spark任务是否运行

点击关注，第一时间了解华为云新鲜技术~​

开发者涨薪指南 48位大咖的思考法则、工作方式、逻辑体系