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：

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

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 //:11000/oozie/  -config job.properties  -run

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）

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）。

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>

Oozie内置pig action，其中pig所在的HDFS路径，param为pig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 '///$CLEANDATE' using OrcStorage();

store E into '//$CLEANDATE';

实际上，在本地执行带参数的pig脚本时，也是用-param：

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

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>

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

hive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）。

原文来自：

本文地址：//q13zd.cn/workflow-engine-oozie.html编辑：吴康宁，审核员：逄增宝

Linux命令大全：

Linux系统大全：

红帽认证RHCE考试心得：