本次安装Airflow版本为1.10+,其需要依赖Python和DB,本次选择的DB为Mysql。
本次安装组件及版本如下:Airflow == 1.10.0
Python == 3.6.5
Mysql == 5.7
整体流程- 建表
- 安装
- 配置
- 运行
- 配置任务
启动schedule
airflow scheduler -D
启动webserver
airflow webserver -D
ps -ef|grep -Ei '(airflow-webserver)'| grep master | awk '{print $2}'|xargs -i kill {}
ps -ef | grep -Ei 'airflow' | grep -v 'grep' | awk '{print $2}' | xargs -i kill {}
建库、建用户
库名为airflow
'create database airflow;'
建用户
用户名为airflow,并且设置所有ip均可以访问。
create user 'airflow'@'%' identified by 'airflow';
create user 'airflow'@'localhost' identified by 'airflow';
用户授权
这里为新建的airflow用户授予airflow库的所有权限
grant all on airflow.* to 'airflow'@'%';
flush privileges
Airflow安装
这里通过 virtualenv 进行安装。
----- 通过virtualenv安装
$ mkdir /usr/local/virtual_env && cd /usr/local/virtual_env # 创建目录
$ virtualenv --no-site-packages airflow --python=python # 创建虚拟环境
$ source /usr/local/virtual_env/airflow/bin/activate # 激活虚拟环境
----- 安装指定版本或者默认
$ pip install apache-airflow -i https://pypi.douban.com/simple
在安装完一堆的依赖后,就需要配置 AIRFLOW_HOME 环境变量,后续的 DAG 和 Plugin 都将以该目录作为根目录查找,如上,可以直接设置为 /tmp/project 。
报错
ERROR: flask 1.1.1 has requirement Jinja2>=2.10.1, but you'll have jinja2 2.10 which is incompatible.
ERROR: flask 1.1.1 has requirement Werkzeug>=0.15, but you'll have werkzeug 0.14.1 which is incompatible.
执行:pip3 install -U Flask1.0.4
执行:pip3 install -U pika0.13.1
重新执行 :pip install apache-airflow -i https://pypi.douban.com/simple
----- 设置环境变量
(airflow) $ export AIRFLOW_HOME=/tmp/airflow
----- 查看其版本信息
(airflow) $ airflow version
____ |( )_______ / /________ __
____ /| |_ /__ / / __ / __ _ | /| / /
___ ___ | / _ / _ / _ / / // / |/ |/ /
// |// // // // _/____/|__/
v1.8.0
执行了上述的命令后,会生成 airflow.cfg 和 unittests.cfg 两个文件,其中前者是一个配置文件 。
airflow 配置
----- 修改Airflow DB配置
1. 安装Mysql模块
pip install "apache-airflow[mysql]"
这里可以简单说下,airflow依赖的其他组件均可以此方式安装。在之后安装password组件同样是通过此方式。
修改Airflow DB配置
修改${AIRFLOW_HOME}/airflow.cfg
sql_alchemy_conn = mysql+mysqldb://airflow:airflow@localhost:3306/airflow
参数的格式为mysql://帐号:密码@ip:port/db
初始化db
新建airflow依赖的表。
airflow initdb
如报错 Can't connect to local MySQL server through socket '/var/lib/mysql/mysql.sock' (2)
需改sql_alchemy_conn = mysql+mysqldb://airflow:airflow@127.0.0.1:3306/airflow
2. 用户认证
本文采用的用户认证方式为password方式,其他方式如LDAP同样支持但是本文不会介绍。笔者在安装时实验过LDAP方式但是未成功过。
安装passsword组件
pip install "apache-airflow[password]"
2. 修改 airflow.cfg
[webserver]
authenticate = True
auth_backend = airflow.contrib.auth.backends.password_auth
3. 在python环境中执行如下代码以添加账户:
import airflow
from airflow import models, settings
from airflow.contrib.auth.backends.password_auth import PasswordUser
user = PasswordUser(models.User())
user.username = 'admin' # 用户名
user.email = 'emailExample@163.com' # 用户邮箱
user.password = 'password' # 用户密码
session = settings.Session()
session.add(user)
session.commit()
session.close()
exit()
3. 配置邮件服务
此配置设置的是dag的task失败或者重试时发送邮件的发送者。配置如下:
[smtp]
# If you want airflow to send emails on retries, failure, and you want to use
# the airflow.utils.email.send_email_smtp function, you have to configure an
smtp_host = smtp.163.com
smtp_starttls = True
smtp_ssl = False
# Uncomment and set the user/pass settings if you want to use SMTP AUTH
smtp_user = mailExample@163.com
smtp_password = password
smtp_port = 25
smtp_mail_from = mailExample@163.com
接下来简单把dag的Python代码列出来,以供参考:
default_args = {
'owner': 'ownerExample',
'start_date': datetime(2018, 9, 18),
'email': ['mailReceiver@163.com'], # 出问题时,发送报警Email的地址,可以填多个,用逗号隔开。
'email_on_failure': ['mailReceiver@163.com'], # 任务失败且重试次数用完时发送Email。
'email_on_retry': True, # 任务重试时是否发送Email
'depends_on_past': False, # 是否依赖于过去。如果为True,那么必须要昨天的DAG执行成功了,今天的DAG才能执行。
'retries': 3,
'retry_delay': timedelta(minutes=3),
}
4、配置Executor
设置Executor
修改:airflow.cfg
executor = LocalExecutor
本文中由于只有单节点所以使用的是LocalExecutor模式。
5. 修改log地址
[core]
# dags存放路径
dags_folder = /home/xxx/airflow/dags
# 获取服务器IP的方式
hostname_callable = socket.getfqdn
# 时区,可以是UTC(默认),也可以换成国内Asia/Shanghai
default_timezone = utc
# airflow支持并行性的工作器,有`SequentialExecutor`(默认,顺序执行), `LocalExecutor`(本地执行), `CeleryExecutor`(远程执行), `DaskExecutor`
executor = SequentialExecutor
# 数据库连接设置
sql_alchemy_conn = sqlite:////home/xxx/airflow/airflow.db
# 数据库编码方式
sql_engine_encoding = utf-8
# 是否与SqlAlchemy库进行数据交互
sql_alchemy_pool_enabled = True
# 最大数据库连接数
sql_alchemy_pool_size = 5
# 控制每个Airflow worker可以同时运行task实例的数量
parallelism = 32
# 用来控制每个dag运行过程中最大可同时运行的task实例数,若DAG中没有设置concurrency,则使用默认值
dag_concurrency = 16
# 创建新的DAG时,是否暂停
dags_are_paused_at_creation = True
# 同一时间最大运行dag的数量,默认为16
max_active_runs_per_dag = 16
# 加载示例dags,默认为True
load_examples = True
[scheduler]
child_process_log_directory = servers/logs/airflow/scheduler
6. 修改webserver地址
修改webserver地址
[webserver]
base_url = http://host:port
可以通过上面配置的地址访问webserver。
7. 可选配置
(可选)修改Scheduler线程数
如果调度任务不多的话可以把线程数调小,默认为32。参数为:parallelism
(可选)不加载example dag
如果不想加载示例dag可以把load_examples配置改为False,默认为True。这个配置只有在第一次启动airflow之前设置才有效。
如果此方法不生效,可以删除${PYTHON_HOME}/site-packages/airflow/example_dags目录,也是同样的效果。
(可选)修改检测新dag间隔
修改min_file_process_interval参数为10,每10s识别一次新的dag。默认为0,没有时间间隔。
8.celery配置信息
# 配置celery的broker_url(存储要执行的命令然后celery的worker去消费)
broker_url = redis://redis:6379/0
# 配置celery的result_backend(存储任务执行状态)、 也可以用redis存储
result_backend = db+postgresql://postgres:airflow@postgres/airflow
9.scheduler配置信息
# 调度程序尝试触发新任务的时间
scheduler_heartbeat_sec = 60
# 检测新dag的时间
min_file_process_interval = 10
# 是否使用catchup功能, 即是否执行自上次execute_date以来所有未执行的DAG Run, 另外定义每个DAG对象可传递catchup参数进行覆盖
catchup_by_default = True
运行airflow
启动schedule
airflow scheduler -D
启动webserver
airflow webserver -D
安装问题汇总
1. Global variable explicit_defaults_for_timestamp needs to be on (1) for mysql
修改Mysql配置文件my.cnf,具体步骤如下:
查找my.cnf文件位置
mysql --help | grep my.cnf
下图红框处为my.cnf文件所在位置:
修改文件
explicit_defaults_for_timestamp=true
注意:必须写在【mysqld】下
重启Mysql
sudo systemctl restart mysqld.service
查看修改是否生效。执行如下SQL,如果值为1则为生效。
2. pip install "apache-airflow[mysql]"报错:
mysql_config not found
安装mysql-devel:
首先查看是否有mysql_config文件。
find / -name mysql_config
如果没有安装mysql-devel
yum install mysql-devel
安装之后再次查找,结果如图:
3. 其他问题找我
配置任务
在 AirFlow 中,每个节点都是一个任务,可以是一条命令行 (BashOperator),可以是一段 Python 脚本 (PythonOperator) 等等,然后这些节点根据依赖关系构成了一条流程,一个图,称为一个 DAG 。
默认会到 ${AIRFLOW_HOME}/dags 目录下查找,可以直接在该目录下创建相应的文件。
如下是一个简单的示例。
import airflow
from airflow import DAG
from airflow.operators.bash_operator import BashOperator
from airflow.operators.python_operator import PythonOperator
from datetime import timedelta, datetime
import pytz
# -------------------------------------------------------------------------------
# these args will get passed on to each operator
# you can override them on a per-task basis during operator initialization
default_args = {
'owner': 'qxy',
'depends_on_past': False,
'email_on_failure': False,
'email_on_retry': False,
'retries': 1,
'retry_delay': timedelta(minutes=5),
}
tz = pytz.timezone('Asia/Shanghai')
# naive = datetime.strptime("2018-06-13 17:40:00", "%Y-%m-%d %H:%M:%S")
# local_dt = tz.localize(naive, is_dst=None)
# utc_dt = local_dt.astimezone(pytz.utc).replace(tzinfo=None)
dt = datetime(2019, 7, 16, 16, 30, tzinfo=tz)
utc_dt = dt.astimezone(pytz.utc).replace(tzinfo=None)
dag = DAG(
'airflow_interval_test',
default_args=default_args,
description='airflow_interval_test',
schedule_interval='35 17 * * *',
start_date=utc_dt
)
t1 = BashOperator(
task_id='sleep',
bash_command='sleep 5',
dag=dag)
t2 = BashOperator(
task_id='print_date',
bash_command='date',
dag=dag)
t1 >> t2
该文件创建一个简单的 DAG,只有三个运算符,两个 BaseOperator ,也就是执行 Bash 命令分别打印日期以及休眠 5 秒;另一个为 PythonOperator 在执行任务时调用 print_hello() 函数。
文件创建好后,放置到 ${AIRFLOW_HOME}/dags,airflow 自动读取该DAG。
----- 测试是否正常,如果无报错那么就说明正常
$ python /tmp/project/dags/hello_world.py