Hadoop之Oozie

Oozie简介

对于我们的工作，可能需要好几个Hadoop作业来协作完成，往往一个job的输出会被当做另一个job的输入来使用，这个时候就涉及到了数据流的处理。我们不可能就盯着程序，等它运行完再去运行下一个程序，所以，一般的做法就是通过Shell来做，但是如果涉及到的工作流很复杂（比方说有1,2,3,4四个作业，1的输出作为2 3 4的输入，然后2 3的结果运算之后再和1的结果进行某种运算……最后再输出）是很费时费力的。这里就用到了Oozie，一个能把多个MR作业组合为一个逻辑工作单元（一个工作流），从而自动完成任务调用的工具。

Oozie本质就是一个作业协调工具，底层原理是通过将xml语言转换成MapReduce程序来做，但只是在集中Map端做处理，避免Shuffle的过程。

Oozie主要有三个主要概念，分别是workflow，coordinator，bundle。

Workflow： 工作流，由我们需要处理的每个工作组成，进行需求的流式处理。

Coordinator： 协调器，可以理解为工作流的协调器，可以将多个工作流协调成一个工作流来进行处理。

Bundle： 捆，束。将一堆的coordinator进行汇总处理。

简单来说，workflow是对要进行的顺序化工作的抽象，coordinator是对要进行的顺序化的workflow的抽象，bundle是对一堆coordiantor的抽象。层级关系层层包裹。

Azkaban和Oozie的区别:

一个完整的数据分析系统通常都是由大量任务单元组成：Shell脚本程序，Java程序，MapReduce程序、Hive脚本等，各任务单元之间存在时间先后及前后依赖关系。为了很好地组织起这样的复杂执行计划，需要一个工作流调度系统来调度执行。
调度工具性能对比：Apache Oozie，其配置工作流的过程是编写大量的XML配置，而且代码复杂度比较高，不易于二次开发。Ooize相比Azkaban是一个重量级的任务调度系统，功能全面，但配置使用也更复杂。如果可以不在意某些功能的缺失，轻量级调度器Azkaban是很不错的候选对象,二者均可以定时执行工作流任务。

工作流定义：
Azkaban使用Properties文件定义工作流；
Oozie使用XML文件定义工作流。

定时执行：
Azkaban的定时任务基于时间；
Oozie的定时任务基于时间和输入数据。

资源管理：
Azkaban有较为严格的权限控制，如用户对工作流进行读/写/执行等操作；
Oozie基本没有权限控制。

依赖：
Azkaban依赖于MySql；
Oozie依赖于hadoop。

工作流操作：
Azkaban使用Web操作；
Oozie支持命令行、Web、RestApi、Java Api操作.

工作流状态：
Azkaban将正在执行的workflow状态保存在内存中；
Oozie将其保存在MySql中。

执行位置：
Azkaban在脚本所在位置执行命令/程序；
Oozie在Hadoop集群生态内执行命令/程序。