工作流引擎Oozie（一）：workflow

1. Oozie简介

Yahoo开发工作流引擎Oozie（驭象者），用于管理Hadoop任务（支持MapReduce、Spark、Pig、Hive），把这些任务以DAG（有向无环图）方式串接起来。Oozie任务流包括：coordinator、workflow；workflow描述任务执行顺序的DAG，而coordinator则用于定时任务触发，相当于workflow的定时管理器，其触发条件包括两类：

• 数据文件生成
• 时间条件

Oozie定义了一种基于XML的hPDL （Hadoop Process Definition Language）来描述workflow的DAG。在workflow中定义了

• 控制流节点（Control Flow Nodes）
• 动作节点（Action Nodes）

其中，控制流节点定义了流程的开始和结束（start、end），以及控制流程的执行路径（Execution Path），如decision、fork、join等；而动作节点包括Hadoop任务、SSH、HTTP、eMail和Oozie子流程等。控制流节点示例如下：

<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是成对出现，表示了工作流的并发执行，最后汇聚到一个node。从Oozie的工作流调度机制可以看出，Oozie没有能力表达复杂的DAG，比如：嵌套的依赖关系。此外，Oozie工作流可以参数化，比如：在工作流定义中使用像${inputDir}之类的变量，然后通过job.properties配置对应参数，在启动时将这些配置参数传入工作流：

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

2. Workflow

Action Node定义了基本的工作任务节点。（以下介绍版本基于Oozie 4.1.0）

MapReduce

一般地，我用java action启动MapReduce任务，对于任务的动态变化参数，在workflow的configuration进行配置，然后在job.properties指定参数值。

<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()}为workflow的内置参数，表示当前用户名。一般地，使用该参数，为了保证写权限（毕竟没有写文件到其他用户文件夹的权限）。

Spark

Oozie支持Spark action，不过支持的不是特别好。提交spark任务时，需要加载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内置pig action，其中<script>为pig脚本所在的HDFS路径，param为pig脚本中的参数。Oozie调度pig任务略坑，先随机指定一台机器，然后将pig脚本dist到该机器，然后执行。但是，因为集群中不同机器部署的pig版本可能不一致，而导致任务跑失败。

<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脚本中，一般用$ + 大写字母表示输入参数，示例如下：

A = load '/<hdfs>/<path>/$CLEANDATE' using OrcStorage();
...
E = ...
store E into '/<path>/$CLEANDATE';

实际上，在本地执行带参数的pig脚本时，也是用-param命令：

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

Hive

Oozie也可以调度Hive任务，一般使用hive2 action通过beeline连接Hive Server 2，然后执行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为HiveQL中的输入参数，其对应hql为

alter table db.log_tb  
add if not exists partition (day_time=date '${DAYTIME}') 
location '${DAYTIME}';

hive命令执行本地hql通过--hivevar传入参数：

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

此外，在执行hive2 action时需有如下依赖：

<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（对应于依赖jar的目录）。