关闭

Oozie Coordinator使用及详解

标签: ooziecoordinate
417人阅读 评论(0) 收藏 举报
分类:
Oozie所支持工作流,工作流定义通过将多个Hadoop Job的定义按照一定的顺序组织起来,然后作为一个整体按照既定的路径运行。一个工作流已经定义了,通过启动该工作流Job,就会执行该工作流中包含的多个Hadoop Job,直到完成,这就是工作流Job的生命周期。

那么,现在我们有一个工作流Job,希望每天半夜00:00启动运行,我们能够想到的就是通过写一个定时脚本来调度程序运行。如果我们有多个工作流Job,使用crontab的方式调用可能需要编写大量的脚本,还要通过脚本来控制好各个工作流Job的执行时序问题,不但脚本不好维护,而且监控也不方便。基于这样的背景,Oozie提出了Coordinator的概念,他们能够将每个工作流Job作为一个动作(Action)来运行,相当于工作流定义中的一个执行节点(我们可以理解为工作流的工作流),这样就能够将多个工作流Job组织起来,称为Coordinator Job,并指定触发时间和频率,还可以配置数据集、并发数等。一个Coordinator Job包含了在Job外部设置执行周期和频率的语义,类似于在工作流外部增加了一个协调器来管理这些工作流的工作流Job的运行。

运行Coordinator Job

我们先看一下官方发行包自带的一个简单的例子oozie-3.3.2\examples\src\main\apps\cron,它能够实现定时调度一个工作流Job运行,这个例子中给出的一个空的工作流Job,也是为了演示能够使用Coordinator系统给调度起来。这个例子有3个配置文件,我们不修改workflow.xml配置内容。修改后分别如下所示:

  • job.properties配置
1 nameNode=hdfs://m1:9000
2 jobTracker=m1:19830
3 queueName=default
4 examplesRoot=examples
5  
6 oozie.coord.application.path=${nameNode}/user/${user.name}/${examplesRoot}/apps/cron
7 start=2014-03-04T19:00Z
8 end=2014-03-06T01:00Z
9 workflowAppUri=${nameNode}/user/${user.name}/${examplesRoot}/apps/cron

修改了Hadoop集群的配置,以及调度起止时间范围。

  • workflow.xml配置
1 <workflow-app xmlns="uri:oozie:workflow:0.2" name="no-op-wf">
2     <start to="end"/>
3     <end name="end"/>
4 </workflow-app>

是一个空Job,没做任何修改。

  • coordinator.xml配置
01 <coordinator-app name="cron-coord" frequency="${coord:minutes(2)}" start="${start}" end="${end}" timezone="UTC"xmlns="uri:oozie:coordinator:0.2">
02      <action>
03           <workflow>
04                <app-path>${workflowAppUri}</app-path>
05                <configuration>
06                     <property>
07                          <name>jobTracker</name>
08                          <value>${jobTracker}</value>
09                     </property>
10                     <property>
11                          <name>nameNode</name>
12                          <value>${nameNode}</value>
13                     </property>
14                     <property>
15                          <name>queueName</name>
16                          <value>${queueName}</value>
17                     </property>
18                </configuration>
19           </workflow>
20      </action>
21 </coordinator-app>

修改上述coordinator.xml配置文件,将定时调度频率改为2分钟,然后需要将他们上传到HDFS上:

1 hadoop fs -rm /user/shirdrn/examples/apps/cron/coordinator.xml
2 hadoop fs -put /home/shirdrn/cloud/programs/oozie-3.3.2/examples/target/oozie-examples-3.3.2-examples/examples/apps/cron/coordinator.xml /user/shirdrn/examples/apps/cron/

因为我之前已经上传过一次,所以修改了coordinator.xml文件配置内容后,一定要上传到HDFS中,而job.properties配置可以通过指定config选项来执行。启动一个Coordinator Job和启动一个Oozie工作流Job类似,执行如下命令即可:

1 bin/oozie job -oozie http://oozie-server:11000/oozie -config /home/shirdrn/cloud/programs/oozie-3.3.2/examples/target/oozie-examples-3.3.2-examples/examples/apps/cron/job.properties -run

运行上面命令,在控制台上会返回这个Job的ID,我们也可以通过Oozie的Web控制台来查看:

  • Coordinator Job状态
oozie-coordinator

  • Coordinator Job详情

如果想要杀掉一个Job,需要指定Oozie的Job ID,可以执行如下命令:

1 bin/oozie job -oozie http://oozie-server:11000/oozie -kill 0000065-140302210847342-oozie-shir-C

Coordinator应用(Coordinator Application)

Coordinator应用是指当满足一定条件时,会触发Oozie工作流Job(在Coordinator中将工作流Job定义为一个动作(Action))。其中,触发条件可以是一个时间频率、一个dataset实例是否可用,或者可能是外部的其他事件。
Coordinator Job是一个Coordinator应用的运行实例,这个Coordinator Job是在Oozie提供的Coordinator引擎上运行的,并且这个实例从指定的时间开始,直到运行结束。一个Coordinator Job具有以上几个状态:

  • PREP
  • RUNNING
  • RUNNINGWITHERROR
  • PREPSUSPENDED
  • SUSPENDED
  • SUSPENDEDWITHERROR
  • PREPPAUSED
  • PAUSED
  • PAUSEDWITHERROR
  • SUCCEEDED
  • DONEWITHERROR
  • KILLED
  • FAILED

从状态字符串的含义,我们大概就能知道它的含义,这里不做过多解释,可以查阅官方文档。现在,我们关注一下这些状态之间是怎样转移的,从一个状态变成哪些状态是合法的,如下表所示:

转移前状态 转以后状态集合
PREP PREPSUSPENDED | PREPPAUSED | RUNNING | KILLED
RUNNING RUNNINGWITHERROR | SUSPENDED | PAUSED | SUCCEEDED | KILLED
RUNNINGWITHERROR RUNNING | SUSPENDEDWITHERROR | PAUSEDWITHERROR | DONEWITHERROR | KILLED | FAILED
PREPSUSPENDED PREP | KILLED
SUSPENDED RUNNING | KILLED
SUSPENDEDWITHERROR RUNNINGWITHERROR | KILLED
PREPPAUSED PREP | KILLED
PAUSED SUSPENDED | RUNNING | KILLED
PAUSEDWITHERROR SUSPENDEDWITHERROR | RUNNINGWITHERROR | KILLED

我们可以看到,Coordinator Job的状态比一个基本的Oozie工作流Job的状态要复杂的多,因为Coordinator Job的基本执行单元可能是一个基本Oozie Job,而且外加了一些调度信息,必然要增加额外的状态来描述。

Coordinator动作(Coordinator Action)

一个Coordinator Job会创建并执行Coordinator 动作(Coordinator Action)。通常一个Coordinator 动作是一个工作流Job,这个工作流Job会生成一个dataset实例并处理这个数据集。当一个一个Coordinator 动作被创建以后,它会一直等待满足执行条件的所有输入事件的完成然后执行,或者发生超时。
每个Coordinator Job都有一个驱动事件,来决定它所包含的Coordinator动作的初始化(创建)。对于同步Coordinator Job(synchronous coordinator job)来说,触发执行频率(frequency)就是一个驱动事件。
同样,组成Coordinator Job的基本单元是Coordinator 动作(Coordinator Action),它不像Oozie工作流Job只有OK和Error两个执行结果,一个Coordinator 动作的状态集合,如下所示:

  • WAITING
  • READY
  • SUBMITTED
  • TIMEDOUT
  • RUNNING
  • KILLED
  • SUCCEEDED
  • FAILED

一个Coordinator 动作的状态变迁情况,如下表所示:

转移前状态 转以后状态集合
WAITING READY | TIMEDOUT | KILLED
READY SUBMITTED | KILLED
SUBMITTED RUNNING | KILLED | FAILED
RUNNING SUCCEEDED | KILLED | FAILED

Coordinator应用定义(Coordinator Application Definition)

一个同步的Coordinator应用定义的语法格式,如下所示:

01 <coordinator-app name="[NAME]" frequency="[FREQUENCY]" start="[DATETIME]" end="[DATETIME]" timezone="[TIMEZONE]"xmlns="uri:oozie:coordinator:0.1">
02      <controls>
03           <timeout>[TIME_PERIOD]</timeout>
04           <concurrency>[CONCURRENCY]</concurrency>
05           <execution>[EXECUTION_STRATEGY]</execution>
06      </controls>
07      <datasets>
08           <include>[SHARED_DATASETS]</include>
09           ...
10           <!-- Synchronous datasets -->
11           <dataset name="[NAME]" frequency="[FREQUENCY]" initial-instance="[DATETIME]" timezone="[TIMEZONE]">
12                <uri-template>[URI_TEMPLATE]</uri-template>
13           </dataset>
14           ...
15      </datasets>
16      <input-events>
17           <data-in name="[NAME]" dataset="[DATASET]">
18                <instance>[INSTANCE]</instance>
19                ...
20           </data-in>
21           ...
22           <data-in name="[NAME]" dataset="[DATASET]">
23                <start-instance>[INSTANCE]</start-instance>
24                <end-instance>[INSTANCE]</end-instance>
25           </data-in>
26           ...
27      </input-events>
28      <output-events>
29           <data-out name="[NAME]" dataset="[DATASET]">
30                <instance>[INSTANCE]</instance>
31           </data-out>
32           ...
33      </output-events>
34      <action>
35           <workflow>
36                <app-path>[WF-APPLICATION-PATH]</app-path>
37                <configuration>
38                     <property>
39                          <name>[PROPERTY-NAME]</name>
40                          <value>[PROPERTY-VALUE]</value>
41                     </property>
42                     ...
43                </configuration>
44           </workflow>
45      </action>
46 </coordinator-app>

基于上述定义语法格式,我们分别说明对应元素的含义,如下所示:

  • control元素

control元素定义了一个Coordinator Job的控制信息,主要包括如下三个配置元素:

元素名称 含义说明
timeout 超时时间,单位为分钟。当一个Coordinator Job启动的时候,会初始化多个Coordinator动作,timeout用来限制这个初始化过程。默认值为-1,表示永远不超时,如果为0 则总是超时。
concurrency 并发数,指多个Coordinator Job并发执行,默认值为1。
execution 配置多个Coordinator Job并发执行的策略:默认是FIFO。另外还有两种:LIFO(最新的先执行)、LAST_ONLY(只执行最新的Coordinator Job,其它的全部丢弃)。
throttle 一个Coordinator Job初始化时,允许Coordinator动作处于WAITING状态的最大数量。
  • Dataset元素

Coordinator Job中有一个Dataset的概念,它可以为实际计算提供计算的数据,主要是指HDFS上的数据目录或文件,能够配置数据集生成的频率(Frequency)、URI模板、时间等信息,下面看一下dataset的语法格式:

1 <dataset name="[NAME]" frequency="[FREQUENCY]" initial-instance="[DATETIME]" timezone="[TIMEZONE]">
2      <uri-template>[URI TEMPLATE]</uri-template>
3      <done-flag>[FILE NAME]</done-flag>
4 </dataset>

举例如下:

1 <dataset name="stats_hive_table" frequency="${coord:days(1)}" initial-instance="2014-03-05T00:00Z" timezone="America/Los_Angeles">
2      <uri-template>
3           hdfs://m1:9000/hive/warehouse/user_events/${YEAR}${MONTH}/${DAY}/data
4      </uri-template>
5      <done-flag>donefile.flag</done-flag>
6 </dataset>

上面会每天都会生成一个用户事件表,可以供Hive查询分析,这里指定了这个数据集的位置,后续计算会使用这部分数据。其中,uri-template指定了一个匹配的模板,满足这个模板的路径都会被作为计算的基础数据。
另外,还有一种定义dataset集合的方式,将多个dataset合并成一个组来定义,语法格式如下所示:

1 <datasets>
2      <include>[SHARED_DATASETS]</include>
3      ...
4      <dataset name="[NAME]" frequency="[FREQUENCY]" initial-instance="[DATETIME]" timezone="[TIMEZONE]">
5           <uri-template>[URI TEMPLATE]</uri-template>
6      </dataset>
7      ...
8 </datasets>
  • input-events和output-events元素

一个Coordinator应用的输入事件指定了要执行一个Coordinator动作必须满足的输入条件,在Oozie当前版本,只支持使用dataset实例。
一个Coordinator动作可能会生成一个或多个dataset实例,在Oozie当前版本,输出事件只支持输出dataset实例。

EL常量

常量表示形式 含义说明
${coord:minutes(int n)} 返回日期时间:从一开始,周期执行n分钟
${coord:hours(int n)} 返回日期时间:从一开始,周期执行n * 60分钟
${coord:days(int n)} 返回日期时间:从一开始,周期执行n * 24 * 60分钟
${coord:months(int n)} 返回日期时间:从一开始,周期执行n * M * 24 * 60分钟(M表示一个月的天数)
${coord:endOfDays(int n)} 返回日期时间:从当天的最晚时间(即下一天)开始,周期执行n * 24 * 60分钟
${coord:endOfMonths(1)} 返回日期时间:从当月的最晚时间开始(即下个月初),周期执行n * 24 * 60分钟
${coord:current(int n)} 返回日期时间:从一个Coordinator动作(Action)创建时开始计算,第n个dataset实例执行时间
${coord:dataIn(String name)} 在输入事件(input-events)中,解析dataset实例包含的所有的URI
${coord:dataOut(String name)} 在输出事件(output-events)中,解析dataset实例包含的所有的URI
${coord:offset(int n, String timeUnit)} 表示时间偏移,如果一个Coordinator动作创建时间为T,n为正数表示向时刻T之后偏移,n为负数向向时刻T之前偏移,timeUnit表示时间单位(选项有MINUTE、HOUR、DAY、MONTH、YEAR)
${coord:hoursInDay(int n)} 指定的第n天的小时数,n>0表示向后数第n天的小时数,n=0表示当天小时数,n<0表示向前数第n天的小时数
${coord:daysInMonth(int n)} 指定的第n个月的天数,n>0表示向后数第n个月的天数,n=0表示当月的天数,n<0表示向前数第n个月的天数
${coord:tzOffset()} ataset对应的时区与Coordinator Job的时区所差的分钟数
${coord:latest(int n)} 最近以来,当前可以用的第n个dataset实例
${coord:future(int n, int limit)} 当前时间之后的dataset实例,n>=0,当n=0时表示立即可用的dataset实例,limit表示dataset实例的个数
${coord:nominalTime()} nominal时间等于Coordinator Job启动时间,加上多个Coordinator Job的频率所得到的日期时间。例如:start=”2009-01-01T24:00Z”,end=”2009-12-31T24:00Z”,frequency=”${coord:days(1)}”,frequency=”${coord:days(1)},则nominal时间为:2009-01-02T00:00Z、2009-01-03T00:00Z、2009-01-04T00:00Z、…、2010-01-01T00:00Z
${coord:actualTime()} Coordinator动作的实际创建时间。例如:start=”2011-05-01T24:00Z”,end=”2011-12-31T24:00Z”,frequency=”${coord:days(1)}”,则实际时间为:2011-05-01,2011-05-02,2011-05-03,…,2011-12-31
${coord:user()} 启动当前Coordinator Job的用户名称
${coord:dateOffset(String baseDate, int instance, String timeUnit)} 计算新的日期时间的公式:newDate = baseDate + instance * timeUnit,如:baseDate=’2009-01-01T00:00Z’,instance=’2′,timeUnit=’MONTH’,则计算得到的新的日期时间为’2009-03-01T00:00Z’。
${coord:formatTime(String timeStamp, String format)} 格式化时间字符串,format指定模式

配置举例

下面,根据官网上给出的例子,进行说明,配置例子如下所示:

01 <coordinator-app name="hello2-coord" frequency="${coord:days(7)}"
02      start="2009-01-07T24:00Z" end="2009-12-12T24:00Z" timezone="UTC"
03      xmlns="uri:oozie:coordinator:0.1">
04      <datasets>
05           <dataset name="logs" frequency="${coord:days(1)}"
06                initial-instance="2009-01-01T24:00Z" timezone="UTC">
07                <uri-template>hdfs://bar:8020/app/logs/${YEAR}${MONTH}/${DAY}
08                </uri-template>
09           </dataset>
10           <dataset name="weeklySiteAccessStats" frequency="${coord:days(7)}"
11                initial-instance="2009-01-07T24:00Z" timezone="UTC">
12                <uri-template>hdfs://bar:8020/app/weeklystats/${YEAR}/${MONTH}/${DAY}
13                </uri-template>
14           </dataset>
15      </datasets>
16      <input-events>
17           <data-in name="input" dataset="logs">
18                <start-instance>${coord:current(-6)}</start-instance>
19                <end-instance>${coord:current(0)}</end-instance>
20           </data-in>
21      </input-events>
22      <output-events>
23           <data-out name="output" dataset="siteAccessStats">
24                <instance>${coord:current(0)}</instance>
25           </data-out>
26      </output-events>
27      <action>
28           <workflow>
29                <app-path>hdfs://bar:8020/usr/joe/logsprocessor-wf</app-path>
30                <configuration>
31                     <property>
32                          <name>wfInput</name>
33                          <value>${coord:dataIn('input')}</value>
34                     </property>
35                     <property>
36                          <name>wfOutput</name>
37                          <value>${coord:dataOut('output')}</value>
38                     </property>
39                </configuration>
40           </workflow>