1. Oozie簡介

Yahoo開發工作流引擎Oozie（馭象者），用於管理Hadoop任務（支持MapReduce、Spark、Pig、Hive），把這些任務以DAG（有向無環圖）方式串接起來。Oozie任務流包括：coordinator、workflow；workflow描述任務執行順序的DAG，而coordinator則用於定時任務觸發，相當於workflow的定時管理器，其觸發條件包括兩類：

• 數據文件生成
• 時間條件

Oozie定義了一種基於XML的hPDL （Hadoop Process Definition Language）來描述workflow的DAG。在workflow中定義了

• 控制流節點（Control Flow Nodes）
• 動作節點（Action Nodes）

其中，控制流節點定義了流程的開始和結束（start、end），以及控制流程的執行路徑（Execution Path），如decision、fork、join等；而動作節點包括Hadoop任務、SSH、HTTP、eMail和Oozie子流程等。控制流節點示例如下：

<workflow-app xmlns=‘uri:oozie:workflow:0.2‘ name="ooziedemo-wf">

    <start to="timeCheck"/>

    ...

    
 
<kill name="fail">

    <message>Failed, error message[${wf:errorMessage(wf:lastErrorNode())}]

    </message>

  </kill>

  <end name="end"/>

</workflow-app>

 

<!-- or -->

<workflow-app xmlns=‘uri:oozie:workflow:0.2‘ name="ooziedemo-wf">

    <start 
 
../>

    <fork name="forking">

        <path start="sqoopMerge1"/>

        <path start="sqoopMerge2"/>

    </fork>

    <join name="joining" to="end"/>

    <end ../>

</workflow-app>

其中，fork、join是成對出現，表示了工作流的並發執行，最後匯聚到一個node。從Oozie的工作流調度機制可以看出，Oozie沒有能力表達復雜的DAG，比如：嵌套的依賴關系。此外，Oozie工作流可以參數化，比如：在工作流定義中使用像${inputDir}之類的變量，然後通過job.properties配置對應參數，在啟動時將這些配置參數傳入工作流：

oozie job -oozie http://<host>:11000/oozie/ -config job.properties -run

2. Workflow

Action Node定義了基本的工作任務節點。（以下介紹版本基於Oozie 4.1.0）

MapReduce

一般地，我用java action啟動MapReduce任務，對於任務的動態變化參數，在workflow的configuration進行配置，然後在job.properties指定參數值。

<action name="Data Clean">

    <java>

        <job-tracker>${jobTracker}</job-tracker>

        <name-node>${nameNode}</name-node>

        <configuration>

            <property>

                <name>mapred.reduce.tasks</name>

                <value>${reducerNum}</value>

            </property>

            <property>

                <name>mapreduce.job.queuename</name>

                <value>${queueName}</value>

            </property>                

        </configuration>

        <main-class>...</main-class>

        <java-opts>-Xms256m -Xmx512m</java-opts>

        <arg>..</arg>

        <arg>${nameNode}/user/${wf:user()}/xx</arg>

        ...

        <arg>${cleanDate}</arg>

        <capture-output />

    </java>

    <ok to="end" />

    <error to="fail" />

</action>

其中， ${wf:user()}為workflow的內置參數，表示當前用戶名。一般地，使用該參數，為了保證寫權限（畢竟沒有寫文件到其他用戶文件夾的權限）。

Spark

Oozie支持Spark action，不過支持的不是特別好。提交spark任務時，需要加載spark-assembly jar。

<action name="Spark Data Clean">

    <spark xmlns="uri:oozie:spark-action:0.1">

        <job-tracker>${jobTracker}</job-tracker>

        <name-node>${nameNode}</name-node>

        <configuration>

            <property>

                <name>mapred.job.queue.name</name>

                <value>${queueName}</value>

            </property>

        </configuration>

        <master>yarn-cluster</master>

        <mode>cluster</mode>

        <name>etl${cleanDate}</name>

        <class>...</class>

        <jar>/<hdfs>/<path>/lib/xxx.jar</jar>

        <spark-opts>

            --num-executors ${executors} --driver-memory 4g --executor-memory 4g --executor-cores 5 --queue=${queueName}

        </spark-opts>

        <arg>..</arg>

    </spark>

    <ok to="end" />

    <error to="fail" />

</action>

Pig

Oozie內置pig action，其中<script>為pig腳本所在的HDFS路徑，param為pig腳本中的參數。Oozie調度pig任務略坑，先隨機指定一臺機器，然後將pig腳本dist到該機器，然後執行。但是，因為集群中不同機器部署的pig版本可能不一致，而導致任務跑失敗。

<action name="Pig Data Clean">

  <pig>

    <job-tracker>${jobTracker}</job-tracker>

    <name-node>${nameNode}</name-node>

    <configuration>

      <property>

        <name>mapreduce.job.queuename</name>

        <value>${queueName}</value>

      </property>

    </configuration>

    <script>/<hdfs>/<path>/data-clean.pig</script>

    <param>CLEANDATE=${cleanDate}</param>

  </pig>

  <ok to="end"/>

  <error to="fail"/>

</action>

在pig腳本中，一般用$ + 大寫字母表示輸入參數，示例如下：

A = load ‘/<hdfs>/<path>/$CLEANDATE‘ using OrcStorage();

...

E = ...

store E into ‘/<path>/$CLEANDATE‘;

實際上，在本地執行帶參數的pig腳本時，也是用-param命令：

pig -f test.pig -param CLEANDATE=2016-05-26

Hive

Oozie也可以調度Hive任務，一般使用hive2 action通過beeline連接Hive Server 2，然後執行HiveQL:

<action name="Hive2">

  <hive2 xmlns="uri:oozie:hive2-action:0.1">

    <job-tracker>${jobTracker}</job-tracker>

    <name-node>${nameNode}</name-node>

    <configuration>

      <property>

        <name>mapreduce.job.queuename</name>

        <value>${queueName}</value>

      </property>

    </configuration>

    <jdbc-url>jdbc:hive2://host:10000/db-name</jdbc-url>

    <script>${NameNode}/<hdfs>/<path>/test.hql</script>

    <param>DAYTIME=${dayTime}</param>

  </hive2>

  <ok to="end"/>

  <error to="fail"/>

</action>

其中，param為HiveQL中的輸入參數，其對應hql為

alter table db.log_tb

add if not exists partition (day_time=date ‘${DAYTIME}‘)

location ‘${DAYTIME}‘;

hive命令執行本地hql通過--hivevar傳入參數：

hive -f test.hql --hivevar DAYTIME=2016-05-17

此外，在執行hive2 action時需有如下依賴：

<dependency>

  <groupId>org.apache.hive</groupId>

  <artifactId>hive-exec</artifactId>

  <version>${hive.version}</version>

</dependency>

<dependency>

  <groupId>org.apache.hive</groupId>

  <artifactId>hive-beeline</artifactId>

  <version>${hive.version}</version>

</dependency>

工作流引擎Oozie（一）：workflow