写点什么

降低数据平台成本 ,Apache Airflow 迁移上云案例分享

  • 2024-10-11
    广东
  • 本文字数:2558 字

    阅读完需:约 8 分钟

降低数据平台成本 ,Apache Airflow迁移上云案例分享

本文分享自华为云社区《华为云DTSE团队通过开源专业服务,助力马来西亚X集团平滑迁移上云》,作者:华为云开发者联盟 DTSE 团队。

1  摘要

本文主要介绍了华为云 DTSE 助力马来西亚 X 集团部署开源工作流平台 Apache Airflow 的案例。Airflow 是一款面向数据处理场景,提供以编程方式编写、调度和监控的开源工作流平台,被广泛开发者所使用。本文以马来西亚 X 集团大数据平台中的 Apache Airflow 为背景,提供了一个利用开源工具进行技术支撑的案例。Airflow 本身并未集成华为云云服务能力,通过 API/SDK 集成、兼容性适配、定制化开发等技术,完成 X 集团大数据平台的跨云迁移、脚本编程优化等工作,降低 X 集团平台部署与人力成本,提升编程效率。

2  背景

X 集团是马来西亚最强大的房地产建筑集团之一,旗下有 13 个 BU,涉及房地产、建筑、零售、酒店、休闲、医疗、教育等方面。

X 集团本身的业务是基于 Apache Airflow 进行任务编排的,因此在 DTSE 团队协助其 Group IT 将部署在 Google 的大数据平台进行全面替换时,X 集团希望在华为云上仍然能够继续使用 Airflow。

3  业务场景分析

X 集团同意先由华为云进行 POC 评估,计划 POC 阶段通过后再转入商用阶段。在满足集团希望能在华为云上继续使用 Apache Airflow 进行任务编排的需求时,遇到了如下几个棘手问题。

华为云部署 Apache Airflow 难度较大:当前 Airflow 在华为云 CCE 部署并没有成熟方案,且由于 Airflow 本身并未集成华为云云服务能力,因此 X 集团在华为云上需要通过手动方式部署和管理 Airflow 工作流平台,由于没有托管服务,人力与运维成本偏高。

缺乏华为云云服务操作器,GCP 无法直接迁移上华为云:由于谷歌对开源的 Airflow 做了一些针对性的云服务适配,其中涉及到 X 集团在 GCP 上部署 Airflow 集群时需要调用的 Big Query 以及 Google Cloud Storage 等,因此该集团从 GCP 迁至华为云后客户业务无法直接运行。

4  解决方案

综合考虑 X 集团业务痛点问题,DTSE 技术团队在 POC 阶段提供 Demo 演示来打消集团疑虑,并持续跟踪该集团转入商用阶段,直至成功割接上线。

4.1  基于 CCE 容器化解决集群部署问题

当前 Airflow 在华为云 CCE 部署并没有成熟方案,并不支持对 Airflow 集群的托管工作。为了解决华为云部署 Apache Airflow 集群问题,DTSE 制定了基于 CCE 的容器化方案,CCE 云容器引擎提供高可靠、高性能的企业级容器应用管理能力,支持 Kubernetes 社区原生应用和工具,应用及自动弹性伸缩,自动化搭建云上容器平台。

DTSE 通过 CCE 云容器引擎协助 X 集团搭建数据分析与数据存储平台,进行 Airflow 集群化一键部署,并对该集团业务系统进行架构优化,支持自动化运维与管理,构建自定义容器镜像,实现实时监控文件变化以及自动安装脚本所需依赖包,避免反复更新 Pod 操作,实现托管功能。

具体方案设计如下:

  1. 构建 Airflow 容器镜像,包含华为云 Provider 包,将镜像上传至华为云 SWR;

  2. 构建 config_watcher 容器镜像,监控 ConfigMap 中 txt 文件的变化,用于安装 Python 依赖包,将镜像上传至华为云 SWR;

  3. 上传 Airflow 的 Helm Chart 包到 CCE 模板,修改 yaml 配置文件,替换容器镜像为 SWR 的容器镜像等,部署 Airflow。

图1 Airflow CCE部署架构图

4.2  开发对应的操作器完成数据源替换

华为云的 OBS(对象存储服务)可替换 Google Cloud Storage,为用户提供海量、安全、高可靠、低成本的数据存储能力。DWS(数据仓库服务)是一种即开即用、安全可靠的在线数据仓库服务,为用户提供海量数据的存储、挖掘和分析能力;DLI(数据湖探索服务)完全兼容 Apache Spark、Apache Flink、Trino 生态,提供一站式的流处理、批处理、交互式分析的 Serverless 融合处理分析服务。DWS 与 DLI 结合可替换 Big Query,完成数据分析和处理。

技术团队针对 Airflow 缺乏的华为云云服务操作器与该集团的弹性业务场景进行适配,分别开发了 OBS、DWS、DLI 等云服务的操作器,并打包成相应的插件包供开发者使用,大幅度减少开发者适配华为云的开发工作量。

具体方案设计如下:

  1. 基于 X 集团场景所需云服务功能进行分析,获取云服务的 API/SDK 列表;

  2. 基于所分析的云服务的 API/SDK 列表,开发适配对应的华为云 Provider 包;

  3. 通过华为云 Provider 包测试 X 集团业务流程,并为该集团提供 Demo 演示。

4.3  通过参数实现脚本编程优化

DTSE 根据 X 集团业务场景对 DAG 脚本进行改造迁移,DAG 在 Airflow 中表示运行的所有任务的集合,由 python 脚本定义,其中包含了多个 TASK,并定义了这些 TASK 的依赖关系。原本在 DAG 编程时,由于每个 DAG 中的每个任务都需要附带一个任务传感器,导致一个脚本文件中常常会有大量的任务传感器。DTSE 以自身的软件开发经验和能力,深入代码层级,根据 X 集团脚本进行整改优化,让执行 Job 的操作器支持“deferrable”参数来解决任务传感器数量问题,极大程度上减少了整体代码编写量。

具体方案设计如下:

  • 为 Job 执行器进行自定义触发器开发;

  • 修改 Job 执行器逻辑,添加“deferrable”参数。当“deferrable”参数设置为 True 时表示开启延迟模式,使用触发器来推迟自身,直至 Job 执行成功或失败。

5  总结与建议

通过开源专业服务,X 集团成功将其数据分析与数据存储平台迁移至华为云,降低了其数据平台成本的同时也带动华为云云服务约 20w/年的资源消耗。在此过程中,我们对 X 集团的数据处理流程进行了深入优化,特别是在 DAG 中完成了 100 多个 Task 改造迁移工作,让该集团的脚本编程效率得到极大提升,显著减少了每个 DAG 中的每个 TASK 至少 50%的编程工作量,进一步提升了开发运维效率,帮助企业实现降本增效

这类对开源项目有需求的企业在上云时常常面临如下需求:

  1. 灵活性和自主性:企业希望依据自身情况进行定制和集成,而不受特定厂商或提供商限制;

  2. 降低成本:企业预算有限,寻找更经济实惠的解决方案;

  3. 数据安全和隐私保护:企业希望通过透明且可审计代码的开源产品,理解软件的工作原理,增强对数据安全和隐私保护的信心;

  4. 单一供应商锁定风险:不希望与某云厂商强绑定;

  5. 对某开源组件形成依赖:业务上已经用习惯了某开源组件,解决方案架构中希望继续使用该开源组件。

……

结合开源项目特有的成本低、高灵活性和可定制性等优势,让开源项目往往在解决方案中脱颖而出,成为必不可少的一环。DTSE 深入了解 X 集团业务需求,针对该集团痛点提供对应的开源专业服务,引导该集团进行试点验证,进而推广复制,循序渐进的将该集团业务迁移上华为云,实现 X 集团与华为云双赢。


来源:《华为云DTSE》第五期开源专刊


点击关注,第一时间了解华为云新鲜技术~


用户头像

提供全面深入的云计算技术干货 2020-07-14 加入

生于云,长于云,让开发者成为决定性力量

评论

发布
暂无评论
降低数据平台成本 ,Apache Airflow迁移上云案例分享_开源_华为云开发者联盟_InfoQ写作社区