最近在Prettyyes一直想建立起非常专业的data pipeline系统，然后没有很多时间，这几个礼拜正好app上线，有时间开始建立自己的 data pipeline，能够很好的做每天的数据导入，数据收集，以及数据分析。
什么是ETL
ETL 是常用的数据处理，在以前的公司里，ETL 差不多是数据处理的基础，要求非常稳定，容错率高，而且能够很好的监控。ETL的全称是 Extract，Transform，Load， 一般情况下是将乱七八糟的数据进行预处理，然后放到储存空间上。可以是SQL的也可以是NOSQL的，还可以直接存成file的模式。
一开始我的设计思路是，用几个cron job和celery来handle所有的处理，然后将我们的log文件存在hdfs，还有一些数据存在mysql，大概每天跑一次。核心是能够scale，稳定，容错，roll back。我们的data warehouse就放在云上，就简单处理了。
有了自己的ETL系统我觉得就很安心了，以后能够做数据处理和机器学习方面就相对方便一些。
问题来了
一开始我设计的思路和Uber一开始的ETL很像，因为我觉得很方便。但是我发觉一个很严重的问题，我一个人忙不过来。首先，要至少写个前端UI来监控cron job，但是市面上的都很差。其次，容错的autorestart写起来很费劲，可能是我自己没有找到一个好的处理方法。***部署的时候相当麻烦，如果要写好这些东西，我一个人的话要至少一个月的时间，可能还不是特别robust。在尝试写了2两天的一些碎片处理的脚本之后我发觉时间拖了实在太久了。
隆重推荐的工具
airbnb是我很喜欢的公司，他们有很多开源的工具，airflow我觉得是最实用的代表。airflow 是能进行数据pipeline的管理，甚至是可以当做更高级的cron job 来使用。现在一般的大厂都说自己的数据处理是ETL，美其名曰 data pipeline，可能跟google倡导的有关。airbnb的airflow是用python写的，它能进行工作流的调度，提供更可靠的流程，而且它还有自带的UI（可能是跟airbnb设计主导有关）。话不多说，先放两张截图：
什么是DAG
airflow里最重要的一个概念是DAG。
DAG是directed asyclic graph，在很多机器学习里有应用，也就是所谓的有向非循环。但是在airflow里你可以看做是一个小的工程，小的流程，因为每个小的工程里可以有很多“有向”的task，最终达到某种目的。在官网中的介绍里说dag的特点：
- Scheduled: each job should run at a certain scheduled interval
- Mission critical: if some of the jobs aren’t running, we are in trouble
- Evolving: as the company and the data team matures, so does the data processing
- Heterogenous: the stack for modern analytics is changing quickly, and most companies run multiple systems that need to be glued together
- YEAH! It's awesome, right? After reading all of these, I found it's perfectly fit Prettyyes.
如何安装
安装airflow超级简单，使用pip就可以，现在airflow的版本是1.6.1，但是有个小的bug，这个之后会告诉大家如何修改。pip install airflow
这里有个坑，因为airflow涉及到很到数据处理的包，所以会安装pandas和numpy（这个Data Scientist应该都很熟悉）但是国内pip install 安装非常慢，用douban的源也有一些小的问题。我的解决方案是，直接先用豆瓣的源安装numpy 和 pandas，然后再安装airflow，自动化部署的时候可以在requirements.txt 里调整顺序就行了
如何运行
- pip install airflow
摘自官方网站
- # airflow needs a home, ~/airflow is the default,
- # but you can lay foundation somewhere else if you prefer
- # (optional)
- export AIRFLOW_HOME=~/airflow
- # install from pypi using pip
- pip install airflow
- # initialize the database
- airflow initdb
- # start the web server, default port is 8080
- airflow webserver -p 8080
然后你就可以上web ui查看所有的dags，来监控你的进程。
如何导入dag
一般***次运行之后，airflow会在默认文件夹下生成airflow文件夹，然后你只要在里面新建一个文件dag就可以了。我这边部署在阿里云上的文件tree大概是这个样子的。
以下是我自己写的我们公司prettyyes里需要每天处理log的其中一个小的dag：
- from airflow import DAG
- from airflow.operators import BashOperator
- from datetime import datetime, timedelta
- import ConfigParser
- config = ConfigParser.ConfigParser()
- config.read('/etc/conf.ini')
- WORK_DIR = config.get('dir_conf', 'work_dir')
- OUTPUT_DIR = config.get('dir_conf', 'log_output')
- PYTHON_ENV = config.get('dir_conf', 'python_env')
- default_args = {
- 'owner': 'airflow',
- 'depends_on_past': False,
- 'start_date': datetime.today() - timedelta(days=1),
- 'retries': 2,
- 'retry_delay': timedelta(minutes=15),
- }
- dag = DAG('daily_process', default_args=default_args, schedule_interval=timedelta(days=1))
- templated_command = "echo 'single' | {python_env}/python {work_dir}/mr/LogMR.py"\
- .format(python_env=PYTHON_ENV, work_dir=WORK_DIR) + " --start_date {{ ds }}"
- task = BashOperator(
- task_id='process_log',
- bash_command=templated_command,
- dag=dag
- )
写好之后，只要将这个dag放入之前建立好的dag文件夹，然后运行：
- python <dag_file>
来确保没有语法错误。在测试里你可以看到我的
- schedule_interval=timedelta(days=1)
这样我们的数据处理的任务就相当于每天跑一次。更重要的是，airflow还提供处理bash处理的接口外还有hadoop的很多接口。可以为以后连接hadoop系统提供便利。很多具体的功能可以看官方文档。
其中的一个小的bug
airflow 1.6.1有一个网站的小的bug，安装成功后，点击dag里的log会出现以下页面：
这个只要将
- airflow/www/utils.py
文件替换成***的airflow github上的utils.py文件就行，具体的问题在这个：
fixes datetime issue when persisting logs
使用supervisord进行deamon
airflow本身没有deamon模式，所以直接用supervisord就ok了，我们只要写4行代码。
- [program:airflow_web]
- command=/home/kimi/env/athena/bin/airflow webserver -p 8080
- [program:airflow_scheduler]
- command=/home/kimi/env/athena/bin/airflow scheduler
我觉得airflow特别适合小的团队，他的功能强大，而且真的部署方便。和hadoop，mrjob又可以无缝连接，对我们的业务有很大的提升。
