vlambda博客
学习文章列表

【导语】目前拍拍贷有很多使用python代码编写的数据挖掘模型服务和数据处理调用任务。这些任务，往往过程复杂，运行时间很长。当任务数量较多时，无论运行还是监控都十分麻烦，我们需要一个工作流调度引擎来管理我们的工作。

- 【Airflow简介】 -

Airflow是一款Airbnb开源的基于python语言的工作流调度引擎，奉行 Configuration as code的哲学，所有的配置和工作流描述可以直接使用python代码编写，使其具有极大的灵活性和扩展性，界面友好，监控方便，非常适合用来管理我们的数据流任务。

在拍拍贷的日常使用中，为规范数据开发的工作流程， 我们对Airflow进行了二次开发。

1. 在已有的Sensor模块基础上，开发了针对模型前置条件检测功能的个性化Senor；

2. 综合了目前模型运行的数据处理特点，集成了基于个性化的SQL Opreator，其可通过简单配置就可以生成复杂的sql调度；

通过这些个性化模块的二次开发，我们只需要专注于业务逻辑，无需关注流程， 极大地提高了开发效率。

此外，扩展性方面，原生Airflow已经集成了基于Celery的消息调度系统，在系统应用出现性能瓶颈的情况下，可以帮助其快速、方便进行应用扩展。由于Airflow的源码即Python，固然对python语言的支持非常好，但在其他类型的应用上，也提供了多种插件和模块进行调用，例如面向多个平台的Operator：Amazon EMR，Azure，Databricks，此外对标准的Hadoop系组件也有对应的模块进行支持。

- 【Airflow安装】 -

Airflow使用python编写，安装十分方便，使用pip即可：

pip install apache-airflow

安装完之后， 需要初始化数据库：

airflow initdb

启动web服务器：

airflow webserver -p 8080

然后在浏览器中访问http://127.0.0.1:8080/admin/即可看到Airflow的web界面：

在生产环境部署时，需要增加额外的配置：

1. 修改airflow.cfg文件：

executor = LocalExecutor

sql_alchemy_conn = mysql://user:password@host:port/airflow

Airflow默认的executor是SequentialExecutor，不能并行执行任务，只能用于本地开发。LocalExecutor可以同时执行多个任务，加快速度。sql_alchemy_conn配置mysql数据库保存airflow的数据。

2. 使用supervisor启动airflow服务:

airflow webserver

airflow scheduler

supervisor能监控airflow服务，如果服务出错，可以自动重启服务。

- 【Airflow核心概念】 -

DAG，有向无环图(Directed Acyclic Graph)，是airlfow最核心的概念，用来表示一系列任务之间的依赖关系，管理任务之间的调度。

DAG可以配置运行时间，运行的时间间隔， 如果失败了，可以配置决定是否发送监控邮件，以及重试次数等。通常一个DAG是dags目录下的一个.py文件。登录Airflow的web界面，可以查看DAG的依赖图：

通过调用自定义函数，可以完成绝大多数任务，Sensor语义很强大，它会每隔一段时间检查用户指定的条件，只有条件满足才会返回，否则会一直阻塞，直到超时返回。用户还可以自定义Operators，使得编写Airflow任务十分方便。

Tasks，每个任务都是Operators 的实例，表示DAG的节点。每个任务可以单独配置超时时长，失败后的重试次数，以及触发的规则。触发规则包含all_success，all_failed，all_done，one_failed，one_success等多个选项，由上游节点执行的状态来决定是否运行当前任务。

Task Instance，Task的一次执行，有多个可能的状态，包括running，success，failed，skipped等，表示执行是否成功。

- 【应用】 -

我们的模型大多数是从hive读取离线数据，生成变量表，然后将数据加载到本地，使用python做模型分析。可以将常用模型拆分成多个标准步骤：

1. 配置

我们会将常用的外部系统的连接信息保存在Airflow的Connections里面，包括mysql数据库，hive，ssh连接等。这样既可以隐藏密码等关键信息，又能方便管理，避免每个模型重复配置，如果要迁移数据库，修改用户名等操作也十分方便。当需要使用连接信息时，只需要调用相应的hook函数，传入conn_id即可。还有一些全局变量会存储在Airflow的Variable中，例如模型运行时间。当需要重跑模型时，只需要在web界面修改相应变量即可。

Airflow配置界面如图所示：

2. 检查依赖表

模型在跑sql之前会首先检查依赖表是否已更新。我们开发了用于检查依赖表的Sensor类，只需要配置需要检查的表名和日期，Airflow就会每隔一段时间检查相关表，如果条件满足，返回成功状态，否则会一直阻塞，知道满足条件，或者超过指定时间，返回失败状态， 并把检查结果写入Variable中，由后续任务处理。

3. 执行sql文件

模型最麻烦的步骤是预处理hive的数据，生成变量宽表。这主要靠执行sql完成。但是由于sql很多，执行很慢，导致耗时非常多。而且由于是调用外部系统，受很多因素影响，有一定概率的出错风险。我们自定义了 Operator，指定sql文件，即可运行相应sql任务，并可以设置重试次数和等待时长。这一步一般会拆分成多个任务，并发执行，这样会显著加快运行速度。如果任务失败，可以直接从失败的地方重跑，节约了大量时间。

4. 跑模型

这一步会将模型加载到本地，调用python的机器学习包进行处理。我们一般编写python函数，使用PythonOperator构建任务。

5. 存储结果

根据Airflow中Connection的配置，使用相应的hook函数，可以方便的将模型结果存储到hdfs，mysql数据库等地方。

6. 生成模型监控，并邮件发送监控结果。

7. 配置DAG

DAG可以方便的配置运行时间， 运行时间间隔，重试次数等。而采用 >> 操作符配置Operator之间的依赖关系，可以快速构建一个完整的DAG图。

当模型部署上线之后， 登录Airflow的web界面，可以很容易监控模型。Airflow界面功能十分强大，可以查看所有DAG的运行，针对单个DAG，可以查看节点构成，如果有节点运行失败，可以快速查看日志，定位报错原因，并且，只要清除报错日志，即可从报错点开始重跑，非常方便。

- 【优缺点】 -

Airflow最大的优点在于管理DAG十分方便。

我们最初是使用crontab管理模型。当模型数量增加之后，不好监控模型的报错情况。尤其当模型之间也有了相互依赖之后，一旦某个模型报错，会引起连锁反应，导致大量模型一起报错。只能用邮件监控运行情况，如果报错，必须从日志文件定位原因。补跑也很麻烦，需要手动修改配置，手动运行代码，而且每个模型都要从头开始跑，浪费时间。有了airflow之后，很容易就能监控每个模型的运行情况。

- 【总结】 -

Airflow功能很强大，目前我们已经有几十个模型迁移到了Airflow，运行稳定，监控方便，后续还会持续接入新的模型。