大数据调度系统为什么选型Apache DolphinScheduler ?

淩亂°似流年 2022-11-01 10:50 577阅读 0赞

### table of contents ###

*  一 .背景
 *  二 .定位
 *  三 .案例
 *  四 .竟品对比
 *  五 .DolphinScheduler简介
 *  六 .社区发展
 *  七.性能数据参考

# 一 .背景 #

今天跟客户聊天的时候,聊到了调度系统,抛出三个顾虑 :

> 调度系统现在市面上的调度系统那么多,比如老牌的Airflow, Oozie,Kettle,xxl-job ,Spring Batch等等, 为什么要选DolphinScheduler ?

> 其他的调度产品用的都是主流的语言比如java,调度底层都是用的quartz,稳定性都不错啊,功能/技术都差不多啊,为啥选他 ?

> DolphinScheduler我之前都没听过,这么新的东西我为什么要选他,为他承担风险 ? 别人来质疑我的选型的时候,咋怼回去 ?

**仔细一听都没毛病.是差不多啊. 那么为啥要选DolphinScheduler ???**

在我的观念里面,没有最好的, 只有结合自身的业务/技术情况挑选最合适的技术产品.  
那么接下来, 我从自身的使用情况来说一下,为什么要选型DolphinScheduler ?

*  注 : 本文的内容仅仅是个人观点,如果有不合适的地方欢迎指正…

# 二 .定位 #

为什么上来就说定位呢, 主要是为了缩小对比的范围.

> DolphinScheduler 的定位是 **大数据** **工作流** 调度 .

我把 **大数据** 和 **工作流** 做了重点标注. 从而可以知道 DolphinScheduler的定位是针对于大数据体系.

我这搞的是大数据平台, 目前主流的大数据调度组件有 : Oozie、Azkaban、Airflow 所以本文只是针对这三个技术做对比.

> 注 : kettle,xxl-job ,Spring batch 的定位任务调度,非大数据体系,对大数据体系的支持较弱,而且普遍都非HA,存在单点故障. 因为产品定位的不同,所以不做对比.

# 三 .案例 #

**市场的认可度是检验产品价值的唯一真理**.  
我在调研技术的时候,如果市场认可度不高,那么基本就直接放弃了.  
老牌调度Oozie、Azkaban、Airflow 我就不细说了,毕竟是老牌调度.市场的认可度和使用情况大家应该都使用过或者听说过.

DolphinScheduler从2019年3月正式发布第一个开源1.0.0版本到现在, 貌似到现在才两年的时间, 所以重点说一下.

*  Apache DolphinScheduler 部分用户 (排名不分先后)

看到下面的图我们发现很多大的企业在使用调度, 据不完全统计,至少有400家企业在使用. [官方统计地址][Link 1]

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poYW5nbG9uZ180NDQ0_size_16_color_FFFFFF_t_70]

*  易观千帆  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poYW5nbG9uZ180NDQ0_size_16_color_FFFFFF_t_70 1]
 *  360奇安信  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poYW5nbG9uZ180NDQ0_size_16_color_FFFFFF_t_70 2]
 *  优路科技  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poYW5nbG9uZ180NDQ0_size_16_color_FFFFFF_t_70 3]

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poYW5nbG9uZ180NDQ0_size_16_color_FFFFFF_t_70 4]

*  T3 出行  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poYW5nbG9uZ180NDQ0_size_16_color_FFFFFF_t_70 5]

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poYW5nbG9uZ180NDQ0_size_16_color_FFFFFF_t_70 6]

# 四 .竟品对比 #

在大数据领域, DolphinScheduler 对标的开源产品是 oozie、Azkaban、Airflow .

> 因为公司的主流开发语言是Java , 考虑到成本维护之类的因素,因为Airflow使用的语言是Python , 跟公司的技术栈不匹配. 所以先排除掉 .

**对比情况如下 :**

<table> 
 <thead> 
  <tr> 
   <th></th> 
   <th>DolphinScheduler</th> 
   <th>Azkaban</th> 
   <th>Oozie</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td><strong>社区状况</strong></td> 
   <td></td> 
   <td></td> 
   <td></td> 
  </tr> 
  <tr> 
   <td>所属社区</td> 
   <td>apache</td> 
   <td>Linkedin</td> 
   <td>apache</td> 
  </tr> 
  <tr> 
   <td>社区活跃度</td> 
   <td>高</td> 
   <td>中</td> 
   <td>低</td> 
  </tr> 
  <tr> 
   <td></td> 
   <td></td> 
   <td></td> 
   <td></td> 
  </tr> 
  <tr> 
   <td><strong>稳定性</strong></td> 
   <td></td> 
   <td></td> 
   <td></td> 
  </tr> 
  <tr> 
   <td>单点故障</td> 
   <td>去中心化的多Master和多Worker</td> 
   <td>是<br> 单个Web和调度程序组合节点</td> 
   <td>是</td> 
  </tr> 
  <tr> 
   <td>HA</td> 
   <td>支持<br> (HA需要依赖ZK,资源中心</td> 
   <td>支持</td> 
   <td>不支持[待确认]</td> 
  </tr> 
  <tr> 
   <td>过载处理</td> 
   <td>任务队列+多种任务分配策略+自我保护机制</td> 
   <td>任务过多服务器卡顿</td> 
   <td>任务过多服务器卡顿</td> 
  </tr> 
  <tr> 
   <td></td> 
   <td></td> 
   <td></td> 
   <td></td> 
  </tr> 
  <tr> 
   <td><strong>易用性</strong></td> 
   <td></td> 
   <td></td> 
   <td></td> 
  </tr> 
  <tr> 
   <td>DAG监控界面</td> 
   <td>任务状态、任务类型、重试次数、任务运行机器、可视化变量等关键信息一目了然</td> 
   <td>部分任务相关信息</td> 
   <td>部分任务相关信息</td> 
  </tr> 
  <tr> 
   <td>可视化流程定义</td> 
   <td>支持 <br>[所有的流程定义都是可视化的,通过拖拽任务来绘制DAG, 配置数据源以及资源.对于第三方系统,提供api操作]</td> 
   <td>否[编码配置]</td> 
   <td>否[编码配置]</td> 
  </tr> 
  <tr> 
   <td>快速部署</td> 
   <td>一键部署</td> 
   <td>部署相对复杂</td> 
   <td>部署相对复杂</td> 
  </tr> 
  <tr> 
   <td>容器化部署</td> 
   <td>支持</td> 
   <td>否</td> 
   <td>否</td> 
  </tr> 
  <tr> 
   <td></td> 
   <td></td> 
   <td></td> 
   <td></td> 
  </tr> 
  <tr> 
   <td><strong>功能</strong></td> 
   <td></td> 
   <td></td> 
   <td></td> 
  </tr> 
  <tr> 
   <td>是否支持暂停和恢复</td> 
   <td>支持</td> 
   <td>否</td> 
   <td>否</td> 
  </tr> 
  <tr> 
   <td>是否支持多租户</td> 
   <td>支持</td> 
   <td>否</td> 
   <td>否</td> 
  </tr> 
  <tr> 
   <td>任务类型</td> 
   <td>传统的shell 、python任务, 同时支持大数据平台任务调度: MR、Spark、Flink、SQL、DataX、Sqoop等等</td> 
   <td>shell、gobblin、hadoopJava、java、hive、pig、spark、hdfsToTeradata、teradataToHdfs等</td> 
   <td>Pig，Hive，Sqoop和Distcp，Spark</td> 
  </tr> 
  <tr> 
   <td>可视化数据源管理</td> 
   <td>支持</td> 
   <td>不支持</td> 
   <td>不支持</td> 
  </tr> 
  <tr> 
   <td>可视化文件管理</td> 
   <td>支持 <br> [需要依赖外部存储比如HDFS,S3A,minIO]</td> 
   <td>不支持</td> 
   <td>不支持</td> 
  </tr> 
  <tr> 
   <td>手动/定时触发任务</td> 
   <td>支持</td> 
   <td>支持</td> 
   <td>支持</td> 
  </tr> 
  <tr> 
   <td>告警</td> 
   <td>支持 [ 邮件/企业微信/钉钉/自扩展 ]</td> 
   <td>支持</td> 
   <td>待确认</td> 
  </tr> 
  <tr> 
   <td></td> 
   <td></td> 
   <td></td> 
   <td></td> 
  </tr> 
  <tr> 
   <td><strong>扩展</strong></td> 
   <td></td> 
   <td></td> 
   <td></td> 
  </tr> 
  <tr> 
   <td>自定义任务类型</td> 
   <td>支持</td> 
   <td>支持</td> 
   <td>不支持</td> 
  </tr> 
  <tr> 
   <td>支持集群扩展</td> 
   <td>是 <br>调度器使用分布式调度,整体的调度能力会随集群的规模线性增长,Master/Worker支持动态扩容/缩容</td> 
   <td>是 [相对复杂]</td> 
   <td>-</td> 
  </tr> 
 </tbody> 
</table>

> 表格中的信息如果有不严谨的地方,欢迎指正.

我们在看一下DolphinScheduler技术栈 :

> 后端: SpringBoot (2.x)  
> 前端: VUE  
> 编译: Maven(3.3+) ,  
> 元数据存储: Mysql5.5+  
> 分布式无中心化设计: ZooKeeper(3.4.6+)  
> 统一资源管理 : 共享存储\[HDFS、S3A、MinIO\]

主流技术栈,二次开发基本零门槛 .

# 五 .DolphinScheduler简介 #

Apache DolphinScheduler 于 17 年在易观数科立项， 19 年 3 月开源，8 月进入 Apache 孵化器， 已累计有 400+ 公司在生产上使用.

> 一个分布式易扩展的可视化DAG工作流任务调度系统。致力于解决数据处理流程中错综复杂的依赖关系，使调度系统在数据处理流程中开箱即用。

其主要目标如下：

* 以DAG图的方式将Task按照任务的依赖关系关联起来，可实时可视化监控任务的运行状态
    		* 支持丰富的任务类型：Shell、MR、Spark、SQL(mysql、postgresql、hive、sparksql),Python,Sub_Process、Procedure等
    		* 支持工作流定时调度、依赖调度、手动调度、手动暂停/停止/恢复，同时支持失败重试/告警、- 从指定节点恢复失败、Kill任务等操作
    		* 支持工作流优先级、任务优先级及任务的故障转移及任务超时告警/失败
    		* 支持工作流全局参数及节点自定义参数设置
    		* 支持资源文件的在线上传/下载，管理等，支持在线文件创建、编辑
    		* 支持任务日志在线查看及滚动、在线下载日志等
    		* 实现集群HA，通过Zookeeper实现Master集群和Worker集群去中心化
    		* 支持对Master/Worker cpu load，memory，cpu在线查看
    		* 支持工作流运行历史树形/甘特图展示、支持任务状态统计、流程状态统计
    		* 支持补数
    		* 支持多租户
    		* 其他....

*  系统优势

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poYW5nbG9uZ180NDQ0_size_16_color_FFFFFF_t_70 7]

*  主要能力  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poYW5nbG9uZ180NDQ0_size_16_color_FFFFFF_t_70 8]
 *  可视化流程  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poYW5nbG9uZ180NDQ0_size_16_color_FFFFFF_t_70 9]
 *  K8s 支持  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poYW5nbG9uZ180NDQ0_size_16_color_FFFFFF_t_70 10]

# 六 .社区发展 #

DolphinScheduler为国内开源项目,相对其他国外项目,有天然的本土优势.  
截止目前 DolphinScheduler 共建立了8个用户群,1个开发种子群,1个开发者群. 总人数4000+, 截止目前对DolphinScheduler做过贡献的开发者有220+ . 社区活跃度很高.  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poYW5nbG9uZ180NDQ0_size_16_color_FFFFFF_t_70 11]

目前开源对比情况如下(数据统计时间截止月2021年2月底):

<table> 
 <thead> 
  <tr> 
   <th>项目名称</th> 
   <th>Start数量</th> 
   <th>Fork数量</th> 
   <th>Issue数量</th> 
   <th>Contributors 数量</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>Airflow</td> 
   <td>22.6k</td> 
   <td>8.9k</td> 
   <td>16795</td> 
   <td>1654人</td> 
  </tr> 
  <tr> 
   <td>DolphinScheduler</td> 
   <td>6.1k</td> 
   <td>2.2k</td> 
   <td>5930</td> 
   <td>222 人</td> 
  </tr> 
  <tr> 
   <td>Azkaban</td> 
   <td>3.8k</td> 
   <td>1.5k</td> 
   <td>2903</td> 
   <td>108人</td> 
  </tr> 
  <tr> 
   <td>Oozie</td> 
   <td>0.615k</td> 
   <td>0.445k</td> 
   <td>–</td> 
   <td>17人</td> 
  </tr> 
 </tbody> 
</table>

# 七.性能数据参考 #

*  生产环境

易观千帆是每天需要处理数百亿条数据，月活 6.2亿，6.8 PB 的大数据集群经过每天上万个任务 ETL 处理加工而产生的 SaaS 服务应用。

*  压测

> 因为执行任务的类型不同,所消耗的cpu/内存/网络/磁盘的资源也不同,因为执行大数据体系任务都是将任务统一提交到Yarn集群,仅仅是提交一个shell指令. 为了模拟, 所以该测试数据仅为执行shell脚本, 数据仅为参考,请以实际环境为准.

机配置为 : 
    	5台物理  16核 32g内存 千兆网卡.
    	
    	线程总数: 16 * 5 = 80 
    	内存总数: 32 * 5 = 160G 
    
    压测结果:
    
    	并行任务数量在 8000+
    	数据库连接数据: 1100+
    	
    	cpu占用 10% +
    	内存占用 40%+
    
    调整参数: 
    	master.exec.threads=6000
    	master.exec.task.num=20 
    	
    	worker.exec.threads=6000
    	
    	内存配置:
    	Api : 4G
    	Master : 4G
    	Worker: 4G

参考资料来源清单:  
https://github.com/apache/incubator-dolphinscheduler  
https://github.com/apache/incubator-dolphinscheduler-website  
https://mp.weixin.qq.com/s/s0oi5woJs\_gb1Sgkp1jkyA  
https://blog.csdn.net/DolphinScheduler/article/details/112174473  
https://github.com/azkaban/azkaban  
https://github.com/apache/airflow

[Link 1]: https://github.com/apache/incubator-dolphinscheduler/issues/57
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poYW5nbG9uZ180NDQ0_size_16_color_FFFFFF_t_70]: /images/20221024/3ac2adeb65244daba2f4baa4dc67f80f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poYW5nbG9uZ180NDQ0_size_16_color_FFFFFF_t_70 1]: /images/20221024/d15f7363503f4e46ad43a569f051e718.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poYW5nbG9uZ180NDQ0_size_16_color_FFFFFF_t_70 2]: /images/20221024/0e38f8af8fad4d0b8dfe510d4a19fc9b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poYW5nbG9uZ180NDQ0_size_16_color_FFFFFF_t_70 3]: /images/20221024/581acb5b09e7435c8bf6cee28c36ce7e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poYW5nbG9uZ180NDQ0_size_16_color_FFFFFF_t_70 4]: /images/20221024/2f6c95712b774c4b806024d5ee7b5ca2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poYW5nbG9uZ180NDQ0_size_16_color_FFFFFF_t_70 5]: /images/20221024/07c16597084a4906aae98a622a24980e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poYW5nbG9uZ180NDQ0_size_16_color_FFFFFF_t_70 6]: /images/20221024/07971d834a924c7fa04e0905d683309f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poYW5nbG9uZ180NDQ0_size_16_color_FFFFFF_t_70 7]: /images/20221024/391f6886dafb41a29370903e8f9f4b2c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poYW5nbG9uZ180NDQ0_size_16_color_FFFFFF_t_70 8]: /images/20221024/f66634d2d27a402d9061183aca063de4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poYW5nbG9uZ180NDQ0_size_16_color_FFFFFF_t_70 9]: /images/20221024/ca7f71dfd4ab4296b270b676174c4e61.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poYW5nbG9uZ180NDQ0_size_16_color_FFFFFF_t_70 10]: /images/20221024/feb911e992334e4f8ec00a7cf506e78b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poYW5nbG9uZ180NDQ0_size_16_color_FFFFFF_t_70 11]: /images/20221024/54a50cfb550a4ca4b0c8d23ccee079aa.png