工作流引擎Oozie（一）：workflow

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，最后匯聚到一個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，然后通過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，然后在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，先隨機指定一台機器，然后將pig腳本dist到該機器，然后執行。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，然后執行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>

在job.properties指定oozie.libpath（對應於依賴jar的目錄）。