Airflow[v1.10]任务调度平台的安装教程

2019/06/13   

airflow安装教程

0.背景

真的是想不通,Airflow不论社区活跃度还是Github的star数都是远胜于Azkaban还有EasyScheduler的,但是为何却连一个完备的安装教程都没有呢?是我的需求太高?真的是心累不已,整整把搜索引擎还有youtube翻来覆去也没让我感到满足……不过好在,一步一坑一脚印的最终搭建连通好了环境以及Operator。好了,废话不多说,开始Airflow今日份安装教程。

1.安装前准备工作

  • 安装版本说明
安装工具 版本 用途
Python 3.6.5 安装airflow及其依赖包、开发airflow的dag使用
MySQL 5.7 作为airflow的元数据库
Airflow 1.10.0 任务调度平台

请选择一台干净的物理机或者云主机。不然,产生任何多余影响或者后果,本人概不负责!

  • 请确保你熟悉Linux环境及基本操作命令,顺便会一些Python基础命令,如果不熟悉,请出门左转充完电再来

2.安装Python3

Python3的安装可以参考我之前的文章,在此不再敖述

3.安装MySQL

3年前也写过一个关于Centos安装MySQL的教程,但是虽然实用,但是内容太久,在此我们用最简方式快速安装MySQL并配置用户(当然,如果你用现成的RDS也可以,省去了安装过程,可直接跳转至为Airflow建库建用户步骤了)。

  • 老规矩,卸载mariadb
rpm -qa | grep mariadb

rpm -e --nodeps mariadb-libs-5.5.52-1.el7.x86_64

sudo rpm -e --nodeps mariadb-libs-5.5.52-1.el7.x86_64

rpm -qa | grep mariadb
  • 下载mysql的repo源
wget http://repo.mysql.com/mysql-community-release-el7-5.noarch.rpm
  • 通过rpm安装
sudo rpm -ivh mysql-community-release-el7-5.noarch.rpm
  • 安装mysql并授权
sudo yum install mysql-server
sudo chown -R mysql:mysql /var/lib/mysql
  • 启动mysql
sudo service mysqld start

以下操作均在mysql客户端上进行操作,首先需要连接并登录mysql。

用root用户连接登录mysql:

mysql -uroot
  • 重置mysql密码
use mysql;

update user set password=password('root') where user='root';

flush privileges;
  • 为Airflow建库、建用户

建库:

create database airflow;

建用户:

create user 'airflow'@'%' identified by 'airflow';

create user 'airflow'@'localhost' identified by 'airflow';

为用户授权:

grant all on airflow.* to 'airflow'@'%';

flush privileges;

exit;

4.安装Airflow

万事既已具备,让我们开始进入今天的主题!

4.1基础篇

  • 1)通过pip安装airflow脚手架

安装之前需要设置一下临时环境变量SLUGIFY_USES_TEXT_UNIDECODE,不然,会导致安装失败,命令如下:

export SLUGIFY_USES_TEXT_UNIDECODE=yes

安装airflow脚手架:

sudo pip install apache-airflow==1.10.0

airflow会被安装到python3下的site-packages目录下,完整目录为:${PYTHON_HOME}/lib/python3.6/site-packages/airflow,我的airflow目录如下所示: python3-airflow-dir

  • 2) 正式安装airflow

安装airflow前,我们需要先配置一下airflow的安装目录AIRFLOW_HOME,同时为了方便使用airflow的相关命令,我们也把airflow配置到环境变量中,一劳永逸。

编辑/etc/profile系统环境变量文件:

sudo vim /etc/profile

做如下修改(当然,具体目录需要修改成你自己对应的目录,不要照搬不动哦): airflow-env-variable

使修改后的环境变量立即生效:

sudo source /etc/profile
  • 3)执行airflow命令做初始化操作

因为配置过airflow的环境变量SITE_AIRFLOW_HOME,我们在哪里执行如下命令都可:

airflow

到此,airflow会在刚刚的AIRFLOW_HOME目录下生成一些文件。当然,执行该命令时可能会报一些错误,可以不用理会!生成的文件列表如下所示: airflow-init-file

  • 4) 为airflow安装mysql模块
sudo pip install 'apache-airflow[mysql]'

airflow的包依赖安装均可采用该方式进行安装,具体可参考airflow官方文档


[敲黑板,划重点]

安装mysql模块时可能会报如下错误:

mysql_config not found

解决步骤如下:

(1)先查看下是否已经存在mysql_config文件:

find / -name mysql_config

(2)如果没有的话,安装mysql-devel:

sudo yum install mysql-devel

(3)安装完成之后,再次验证是否有mysql_config文件:

airflow-mysql_config_install


  • 5) 采用mysql作为airflow的元数据库

修改airflow.cfg文件,配置mysql作为airflow元数据库:


这里就巨坑无比了,很多人的教程里面都是这么直接写的,然后就完蛋了!!!不信你试试看,等下初始化数据库必死无疑!而且还没有任何有效的解决方案可以供你搜索!!!其次也不要相信什么改成pymysql配合pymysql包实现,这样更惨,会有数据类型解析问题,让你毫无头绪!!!切记切记!!!

sql_alchemy_conn = mysql://airflow:airflow@localhost:3306/airflow

sql_alchemy_conn = mysql+pymysql://airflow:airflow@localhost:3306/airflow

那既然这种方式不可行,该怎么办呢?办法总比困难多的!因为Python3不再支持MySQLdb了,只有Python2才支持。但是呢,也只有MySQLdb才是最佳结果。

首先,我们通过pip安装一下mysqlclient:

sudo pip install mysqlclient

然后,再通过pip安装一下MySQLdb:

sudo pip install python-mysqldb

最后,我们修改airflow.cfg文件中的sql_alchemy_conn配置:

sql_alchemy_conn = mysql+mysqldb://airflow:airflow@localhost:3306/airflow

到此,我们已经为airflow配置好元数据库信息且准备好依赖包。

  • 6) 初始化元数据库信息(其实也就是新建airflow依赖的表)
airflow initdb

此时,我们的mysql元数据库(库名为airflow)中已经新建好了airflow的依赖表:

airflow-metadata


[敲黑板,划重点]

此时初始化数据库时,可能会报如下错误:

Global variable explicit_defaults_for_timestamp needs to be on (1) for mysql

该问题的解决方案在Airflow官方文档中有说明,链接为:http://airflow.apache.org/faq.html。需要通过修改MySQL配置文件my.cnf进行处理,步骤如下:

(1)查找my.cnf位置:

mysql --help | grep my.cnf

airflow-mysql-cnf-pos

(2)修改my.cnf文件:

[mysqld]下面(一定不要写错地方)添加如下配置:

explicit_defaults_for_timestamp=true

airflow-mysql-cnf-modify

(3))重启MySQL使配置生效:

sudo service mysqld restart

(4)查看修改的配置是否生效:

airflow-mysql-cnf-result

(5)重新执行airflow initdb即可


  • 7) 应用的基础命令
    • airflow组件:webserver, scheduler, worker, flower
    • 后台启动各组件命令:airflow xxx -D
    • 查看dag列表:airflow list_dags
    • 查看某个dag的任务列表:airflow list_tasks dag_id
    • 挂起/恢复某个dag:airflow pause/unpause dag_id
    • 测试某个dag任务:airflow test dag_id task_id execution_date

[敲黑板,划重点]

启动webserver组件时可能会报如下错误:

错误1:

Error: 'python:airflow.www.gunicorn_config' doesn‘t exist

安装指定版本的gunicorn即可:

(1) Airflow1.10版本对应gunicorn的19.4.0版本:

sudo pip install gunicorn==19.4.0

(2) Airflow1.8版本安装gunicorn的19.3.0版本:

sudo pip install gunicorn==19.3.0

错误2:

FileNotFoundError: [Errno 2] No such file or directory: 'gunicorn': 'gunicorn'

只需要配置好Python的bin目录环境变量即可(也可以参照https://www.cnblogs.com/lwglinux/p/7100400.html):

sudo vim /etc/profile

airflow-python-bin-dir

source /etc/profile

4.2进阶篇

  • 1) 初识executor(需要重启生效)

airflow-executor

这里为什么要修改呢?因为SequentialExecutor是单进程顺序执行任务,默认执行器,通常只用于测试,LocalExecutor是多进程本地执行任务使用的,CeleryExecutor是分布式调度使用(当然也可以单机),生产环境常用,DaskExecutor则用于动态任务调度,常用于数据分析。

  • 2)如何修改时区为东八区(需要重启生效)

为什么要修改时区呢?因为Airflow默认的时间是GMT时间,虽然可以在Airflow集群分布在不同时区时仍可保证时间相同,不会出现时间不同步的问题,但是这个时间比北京早8小时,不太符合我们的阅读习惯,也不够简洁直观。鉴于我们通常情况下,我们要么为单节点服务,要么即使扩展也是在同一个时区的,所以将时区修改为东八区,即北京时间,这样更便于我们使用。

Come on!

(1) 修改airflow.cfg文件:

default_timezone = Asia/Shanghai

这里修改的是scheduler的调度时间,也就是说在编写调度时间是可以直接写北京时间。

(2) 修改webserver页面上右上角展示的时间:

需要修改${PATHON_HOME}/lib/python3.6/site-packages/airflow/www/templates/admin/master.html文件。

airflow-webserver-time

修改后效果如图所示:

airflow-webserver-time-2

(3) 修改webserver lastRun时间:

第1处修改${PATHON_HOME}/lib/python3.6/site-packages/airflow/models.py文件。

def utc2local(self,utc):
       import time
       epoch = time.mktime(utc.timetuple())
       offset = datetime.fromtimestamp(epoch) - datetime.utcfromtimestamp(epoch)
       return utc + offset

效果如下:

airflow-code-modify

第2处修改${PATHON_HOME}/lib/python3.6/site-packages/airflow/www/templates/airflow/dags.html文件。

dag.utc2local(last_run.execution_date).strftime("%Y-%m-%d %H:%M")
dag.utc2local(last_run.start_date).strftime("%Y-%m-%d %H:%M")

效果如下:

airflow-code-modify-2

修改完毕,此时可以通过重启webserver查看效果!

  • 3) 添加用户认证

在这里我们采用简单的password认证方式足矣!

(1)安装password组件:

sudo pip install apache-airflow[password]

(2)修改airflow.cfg配置文件:

[webserver]
authenticate = True
auth_backend = airflow.contrib.auth.backends.password_auth

(3)编写python脚本用于添加用户账号:

编写add_account.py文件:

import airflow
from airflow import models, settings
from airflow.contrib.auth.backends.password_auth import PasswordUser

user = PasswordUser(models.User())
user.username = 'airflow'
user.email = 'test_airflow@wps.cn'
user.password = 'airflow'

session = settings.Session()
session.add(user)
session.commit()
session.close()
exit()

执行add_account.py文件:

python add_account.py

你会发现mysql元数据库表user中会多出来一条记录的。

当然,你也可以借助于第三方插件方式对用户账号还有可视化UI建立/修改DAG代码。链接为:https://github.com/lattebank/airflow-dag-creation-manager-plugin,可惜只支持到Python2.x。不过后续我会对其做升级处理。

  • 4) 修改webserver地址(需要重启生效)

airflow-webserver-url

  • 5) 如何修改检测新DAG间隔(需要重启生效)

如果scheduler检测DAG过于频繁,会导致CPU负载非常高。而默认scheduler检测时间为0,也就是没有时间间隔。

可以通过修改airflow.cfg文件中的min_file_process_interval设置时间间隔,如下,我是修改为了5秒检测一次:

airflow-scheduler-check-time

  • 6) 如何修改scheduler线程数控制并发量(需要重启生效)

可以通过修改airflow.cfg文件中的parallelism来控制scheduler的并发量:

airflow-scheduler-parallelism

4.3高级篇

  • 1) 配置Airflow分布式集群

(未完待续…)


一个正在技术专家成长道路上不断努力前进的程序员

(转载本站文章请注明作者和出处 buildupchao

Post Directory