一 概述
1.1 为什么需要工作流调度系统
1.一个完整的数据分析系统通常都是由大量任务单元组成：
shell脚本程序，java程序，mapreduce程序、hive脚本等
2.各任务单元之间存在时间先后及前后依赖关系
3.为了很好地组织起这样的复杂执行计划，需要一个工作流调度系统来调度执行；
例如，我们可能有这样一个需求，某个业务系统每天产生20G原始数据，我们每天都要对其进行处理，处理步骤如下所示：
(1)通过Hadoop先将原始数据上传到HDFS上（HDFS的操作）；
(2) 使用MapReduce对原始数据进行清洗（MapReduce的操作）；
(3) 将清洗后的数据导入到hive表中（hive的导入操作）；
(4) 对Hive中多个表的数据进行JOIN处理，得到一张hive的明细表(创建中间表)；
(5) 通过对明细表的统计和分析，得到结果报表信息（hive的查询操作）；
1.2 Azkaban的适用场景
根据以上业务场景： (2)任务依赖(1)任务的结果，(3)任务依赖(2)任务的结果，(4)任务依赖(3)任务的结果，(5)任务依赖(4)任务的结果。一般的做法是，先执行完(1)再执行(2)，再一次执行（3)(4)(5)。
这样的话，整个的执行过程都需要人工参加，并且得盯着各任务的进度。但是我们的很多任务都是在深更半夜执行的，通过写脚本设置crontab执行。其实，整个过程类似于一个有向无环图（DAG）。每个子任务相当于大任务中的一个节点，也就是，我们需要的就是一个工作流的调度器，而Azkaban就是能解决上述问题的一个调度器。
1.3 什么是azkaban
Azkaban是由Linkedin公司推出的一个批量工作流任务调度器，主要用于在一个工作流内以一个特定的顺序运行一组工作和流程，它的配置是通过简单的key:value对的方式，通过配置中的dependencies 来设置依赖关系。Azkaban使用job配置文件建立任务之间的依赖关系，并提供一个易于使用的web用户界面维护和跟踪你的工作流。
1.4 Azkaban特点
(1) 兼容任何版本的hadoop
(2) 易于使用的Web用户界面
(3) 简单的工作流的上传
(4) 方便设置任务之间的关系
(5) 调度工作流
(6) 模块化和可插拔的插件机制
(7) 认证/授权(权限的工作)
(8) 能够杀死并重新启动工作流
(9) 有关失败和成功的电子邮件提醒
1.5 常见工作流调度系统
1.简单的任务调度：直接使用crontab实现；
2.复杂的任务调度：开发调度平台或使用现成的开源调度系统，比如ooize、azkaban等
1.6 ooize和azkaban特性对比
下面的表格对上述四种hadoop工作流调度器的关键特性进行了比较，尽管这些工作流调度器能够解决的需求场景基本一致，但在设计理念，目标用户，应用场景等方面还是存在显著的区别，在做技术选型的时候，可以提供参考
| 特性 | Oozie | Azkaban |
|---|---|---|
| 工作流描述语言 | XML | text file with key/value pairs |
| 是否要web容器 | Yes | Yes |
| 进度跟踪 | web page | web page |
| Hadoop job调度支持 | yes | yes |
| 运行模式 | daemon | daemon |
| 事件通知 | no | Yes |
| 需要安装 | yes | yes |
| 支持的hadoop版本 | 0.20+ | currently unknown |
| 重试支持 | workflownode evel | yes |
| 运行任意命令 | yes | yes |
1.7 Azkaban的架构
Azkaban由三个关键组件构成：
Azkaban由三个关键组件构成：
1.AzkabanWebServer：AzkabanWebServer是整个Azkaban工作流系统的主要管理者，它用户登录认证、负责project管理、定时执行工作流、跟踪工作流执行进度等一系列任务。
2.AzkabanExecutorServer：负责具体的工作流的提交、执行，它们通过mysql数据库来协调任务的执行。
3.关系型数据库（MySQL）：存储大部分执行流状态，AzkabanWebServer和AzkabanExecutorServer都需要访问数据库。
网友评论