工作流调度工具--Oozie

一、背景

一个完整的数据分析系统通常是由大量的任务单元组成，Shell脚本、Java程序、MapReduce程序、Hive脚本等等，各个任务单元之间存在时间先后及前后依赖关系。

      为了很好的组织这样的复杂执行计划，需要一个工作流调度系统来调用执行。

      简单的工作流调度：Liunx的crontab来定义

      复杂的工作流调度：Oozie、Azakaban等。

在没有工作流调度系统之前，公司里面的任务都是通过 crontab 来定义的，时间长了后会发现很多问题：

1.大量的crontab任务需要管理
2.任务没有按时执行，各种原因失败，需要重试
3.多服务器环境下，crontab分散在很多集群上，光是查看log就很花时间

而在大数据领域，现在市面上常用的工作流调度工具有Oozie, Azkaban,Cascading等，

Oozie和Azkaban来做对比：

两者在功能方面大致相同，只是Oozie底层在提交Hadoop Spark作业是通过org.apache.hadoop的封装好的接口进行提交，而Azkaban可以直接操作shell语句。在安全性上可能Oozie会比较好。

• 工作流定义： Oozie是通过xml定义的，而Azkaban为properties来定义。
• 部署过程： Oozie的部署相对困难些，同时它是从Yarn上拉任务日志。
• 任务检测： Azkaban中如果有任务出现失败，只要进程有效执行，那么任务就算执行成功，这是BUG，但是Oozie能有效的检测任务的成功与失败。
• 操作工作流： Azkaban使用Web操作。Oozie支持Web，RestApi，Java API操作。
• 权限控制： Oozie基本无权限控制，Azkaban有较完善的权限控制，供用户对工作流读写执行操作。
• 运行环境： Oozie的action主要运行在hadoop中，而Azkaban的actions运行在Azkaban的服务器中。
• 记录workflow的状态： Azkaban将正在执行的workflow状态保存在内存中，Oozie将其保存在Mysql中。
• 出现失败的情况： Azkaban会丢失所有的工作流，但是Oozie可以在继续失败的工作流运行

二、什么是Oozie？

      Oozie(驯象人)是一个基于工作流引擎的开源框架，用在一个工作流内以一个特定顺序运行一组工作或流程。

      Oozie在集群中扮演的是定时调度任务，多任务，并开源按照业务逻辑顺序调度。

组成

Workflow：顺序执行流程节点，执行分支多节点或合并多分点为一个分支。

Coordinator：定时触发Workflow

BundleJob：绑定多个Coordinator

Oozie节点

      控制流节点(Control Flow Nodes)：一般都是定义在工作流开始或结束，比如start、end、kill等，以及提供工作流的执行路径。

      动作节点(Action Nodes)：执行具体动作的节点。

三、Oozie的基本操作：

# 运行一个应用：
bin/oozie job -oozie http://nameNode:11000/oozie -config examples/apps/map-reduce/job.properties -run

# 杀掉一个job
bin/oozie job -oozie http://nameNode:11000/oozie  -kill 0000001-160702224410648-oozie-beif-W

# 查看job的日志信息
bin/oozie job -oozie http://nameNode:11000/oozie -log 0000001-160702224410648-oozie-beif-W

# 查看job的信息
bin/oozie job -oozie http://nameNode:11000/oozie -info 0000001-160702224410648-oozie-beif-W

操作准备；

job.properties	任务的一些配置文件，绑定多个 Coordinator。例如运行的HDFS以及JobTracker(ResourceManager)等
Workflow.xml	工作流的依赖，配置顺序执行流程节点，支持 fork（分支多个节点），join（合并多个节点为一个）
coordinator.xml	定时触发 workflow，在这里可以设定触发oozie任务的时间和间隔
****.jar	执行任务的jar包（自定义的文件）

oozie工作流调度的设置总结

1 解压
cd /export/servers/oozie-4.1.0-cdh5.14.0
tar -zxf oozie-examples.tar.gz

2 拷贝该任务的模板

3 修改job.properties 文件

4 修改workfolw.xml的文件

5 上传已配置好的文件上传的hdfs上

6 执行任务 

案例

job.properties

#NameNode地址
nameNode=hdfs://node01:8020       #端口8082

#ResourceManager地址，默认端口8032
jobTracker=node01:8032

#内部的Event队列名称
queueName=default
examplesRoot=oozie-apps #这是一个参数变量 在workflow.xml中会用到

#是否使用系统依赖包 一般都是填true
oozie.use.system.libpath=true

#程序位置hdfs // workflow.xml的地址
oozie.wf.application.path=${nameNode}/user/${user.name}/${examplesRoot}/shell

#coordinator.xml在hdfs的位置
#oozie.coord.application.path=${nameNode}/home/ssh_jobs/test_init_and_load

#执行这个脚本
EXEC1=test1.sh
EXEC2=test2.sh
 
#任务开始时间与结束时间 以UTC时区为准（start：必须设置为未来时间，否则任务失败）
start=2020-12-25T10:10+0800
end=2026-12-21T23:59+0800

workflow.xml

<workflow-app xmlns="uri:oozie:workflow:0.3" name="shell-wf">
    <start to="get_var"/>
    <action name="get_var">
        <shell xmlns="uri:oozie:shell-action:0.1">
            <job-tracker>${jobTracker}</job-tracker>
            <name-node>${nameNode}</name-node>
            <configuration>
                <property>
                    <name>mapred.job.queue.name</name>
                    <value>${queueName}</value>
                </property>
            </configuration>
            <exec>${EXEC1}</exec>
            <file>/user/admin/oozie-apps/shell/${EXEC1}#${EXEC1}</file>
            <capture-output/> 
            <argument>hi shell in oozie</argument>
        </shell>
        <ok to="end"/>
        <error to="fail"/>
    </action>

    <kill name="fail">
        <message>Map/Reduce failed, error message[${wf:errorMessage(wf:lastErrorNode())}]</message>
    </kill>
    <end name="end"/>
</workflow-app>
   

<workflow-app xmlns="uri:oozie:workflow:0.4" name="cip_poi_etl_workflow">  
    <start to="get_var"/>  

    <action name="get_var">  
        <shell xmlns="uri:oozie:shell-action:0.1">  
            <job-tracker>${jobTracker}</job-tracker>  
            <name-node>${nameNode}</name-node>  
            <configuration>  
                <property>  
                    <name>mapred.job.queue.name</name>  
                    <value>${queueName}</value>  
                </property>  
            </configuration>  
            <exec>${EXEC1}</exec>
            <file>/user/admin/oozie-apps/shell/${EXEC1}#${EXEC1}</file>
            <!--
            <exec>input.sh</exec>  
            <file>input.sh</file> 
            -->
            <capture-output/>    <!--它的作用是是告诉oozie，这个action的输出要被oozie运行存储下来。 -->
        </shell>  
        <ok to="use_var" />  
        <error to="send_email" />  
    </action>  

    <action name="use_var">  
        <shell xmlns="uri:oozie:shell-action:0.1">  
            <job-tracker>${jobTracker}</job-tracker>  
            <name-node>${nameNode}</name-node>  
            <configuration>  
                <property>  
                    <name>mapred.job.queue.name</name>  
                    <value>${queueName}</value>  
                </property>  
            </configuration>  
            <exec>output.sh</exec> 
<!--它的作用是说我要调用“get_var”这个action捕捉到的那个输出的其中一个参数。 --> 
            <argument>${wf:actionData('get_var')['var']}</argument>  
            <file>output.sh</file>  
        </shell>  
        <ok to="end" />  
        <error to="send_email" />  
    </action>  

    <action name="send_email">  
        <email xmlns="uri:oozie:email-action:0.1">  
            <to>${emailTo}</to>  
            <subject>Status of workflow ${wf:id()}</subject>  
            <body>The workflow ${wf:id()} had issues and was killed. The error message is: ${wf:errorMessage(wf:lastErrorNode())}</body>  
        </email>  
        <ok to="fail"/>  
        <error to="fail"/>  
    </action>  

    <kill name="fail">  
        <message>Failed, Error Message[${wf:errorMessage(wf:lastErrorNode())}]</message>  
    </kill>  
    <end name="end"/>  
</workflow-app>

input.sh
echo var=var_test_result

output.sh
hadoop fs -mkdir /user/hue/$1

test1.sh

#!/bin/bash
/usr/bin/date > /tmp/test.log
/usr/bin/date > /tmp/test.log

执行：

上传到HDFS：

hdfs dfs -put oozie-apps/*  /user/admin/oozie-apps/shell/

执行任务：

bin/oozie job -oozie http://node01:11000/oozie -config oozie-apps/shell/job.properties -run

使用注意事项

[if !supportLists]1.    [endif]启动不了，则到oozie-server/temp查看是否有*.pid文件，有就删除后在启动。

[if !supportLists]2.    [endif]如果无法关闭oozie则kill掉。

[if !supportLists]3.    [endif]Mysql配置如果没有生效的话，默认使用derby数据库

[if !supportLists]4.    [endif]在本地修改完成的job配置，必须重新上传到HDFS。

[if !supportLists]5.    [endif]Linux用户名和Hadoop的用户名不一致。

[if !supportLists]6.    [endif]时区

四、在hue当中操作ooize的操作，如何使用Hue上创建一个完整Oozie工作流

在hue当中操作ooize的操作：

Hue是一个可快速开发和调试Hadoop生态系统各种应用的一个基于浏览器的图形化用户接口。

Hue可实现对oozie任务的开发，监控，和工作流协调调度 。使的oozie的操作变得更加的简单快捷。

（1）创建工作流

（1）添加到定制执行任务。指定定时任务。

一、在hue当中操作ooize的操作

进入hue首页：

　　

Workflow是工作流，Schedule是调度工作流的，如设置工作流何时跑，周期是多久，等等，下面会详细介绍，Bundle是绑定多个调度，暂时我没有用上

等使用后再更新

上面有一栏，有hive，hive2，spark，java，shell等等，直接拖入到Drop your action here这个阴影框中即可

下面的都以hive2为例，

选择文件添加即可，同时下面还有很多选项

 友情提示，虽然已经选择了文件，但是我建议还是在选择一次，右边的是添加文件依赖，

左边是参数设置，比如工作流按时间跑，设置是时间等等，根据需求设置即可

　　

工作流建立完成之后，单个脚本或者代码可以单独执行，进行测试，再右上角

或者整个工作流进行运行，也是在右上角

这是工作流的配置，下面讲调度

进入调度

选择一个workflow工作流

注意hue，oozie是有时区的设置的，默认是零时区时间，换成东八区时间要+8小时，设置配置时间同步

由于公司没有设置，所以是在建立调度上自己注意的，这里的时间都是零时区的时间

可以按小时，天，周，月，年进行定时调度

 因为是今天跑昨天的数据，所以数据是昨天的，时间要减，因为是零时区的时间和东八区的时间差了8个小时，所以减了16个小时

下面的是输入文件，起到标识作用，有了这个文件任务才能启动，也是一种依赖文件

还有一种情况

如果是周计划，或者月计划，需要依赖多个，如7个，30个文件，不可能一一配置

选择上面的range，-6代表从任务执行的是时间-6，因为时区原因，如果是星期一启动任务，则到了上周星期一，0到了上周日

这是跑周计划中依赖一周的文件，其他情况可以参考上面的，可能会一些时区或者平台的问题有一些出入，配置根据具体情况而定

任务运行后可以查看执行情况：在右上角，

自己选择查看类型，里面也有日志，执行task，执行参数，时间等等

二、本篇文章主要讲述如何使用Hue创建一个以特定顺序运行的Oozie工作流。

本文工作流程如下：

2.创建一个Parquet格式的Hive表

---

创建一个Hive表，该表用于Spark作业保存数据，注意这里创建的Parquet格式的表

create table testaaa (
'_age' bigint COMMENT   '',
'_id' bigint COMMENT  '',
'_name'  string COMMENT ''
) STORED AS parquet

3.Sqoop抽数作业

---

这里的Sqooop抽数以MySQL为例。

1.创建一个MySQL的测试账号及准备测试数据

CREATE USER 'testuser'@'%' IDENTIFIED BY 'password';

GRANT ALL PRIVILEGES ON *.* TO 'testuser'@'%';

FLUSH PRIVILEGES;

向表中插入数据

insert into test_user (name,age) values('user1', 12);
insert into test_user (name,age) values('user2', 13);
insert into test_user (name,age) values('user3', 14);
insert into test_user (name,age) values('user4', 15);
insert into test_user (name,age) values('user5', 16);
insert into test_user (name,age) values('user6', 17);
insert into test_user (name,age) values('user7', 18);
insert into test_user (name,age) values('user8', 19);

2.Sqoop抽数脚本

sqoop import \
--connect jdbc:mysql://ip-172-31-22-86.ap/test_db 
--username username \
--password password \
--table test_user \
--target-dir /tmp/sqoop \
-m 1

4.Spark ETL作业

---

将Sqoop抽取的数据通过Python的Spark作业进行ETL操作写入Hive表中

1.编写Spark脚本

#!/usr/local/anaconda3/bin/python
#coding:utf-8

# 初始化sqlContext
from pyspark import SparkConf,SparkContext
from pyspark.sql import HiveContext,Row
conf=(SparkConf().setAppName('PySparkETL'))
sc=SparkContext(conf=conf)
sqlContext = HiveContext(sc)

# 加载文本文件并转换成Row.
lines = sc.textFile("/tmp/sqoop/part-*")
parts = lines.map(lambda l: l.split(","))
people = parts.map(lambda p: Row(id=int(p[0]),name=p[1], age=int(p[2])))

# 将DataFrame注册为table.
schemaPeople = sqlContext.createDataFrame(people)
schemaPeople.registerTempTable("people")

sqlContext.cacheTable("people")

# 执行sql查询，查下条件年龄在13岁到16岁之间
teenagers = sqlContext.sql("SELECT * FROM people WHERE age >= 13 AND age <= 16")

teenagers.write.saveAsTable("testaaa", mode="append")

5.Hive查询作业

---

将Spark作业处理后的数据写入hive表中，使用Hive对表进行查询操作

编写hive-query.sql文件，内容如下：

select * from testaaa where age>=10 and age<=15

6.创建工作流

---

1、进入Hue界面，选择”Workflows” => “Editors”=> “Workflows”

2、在以下界面中点击“Create”按钮创建工作流

3.然后进入WrokSpace

4.在工作流中添加Sqoop抽数作业

5.添加PySpark ETL工作流

5.添加Hive工作流

如下是一个完成的工作流

7.工作流运行

---

1.工作流保存成功后，点击运行

2.Oozie调度任务执行成功

8.作业运行结果查看

---

Sqoop抽数结果查看

Spark ETL执行成功查看Hive表testaaa数据

Hive作业执行结果查看