大数据工作流组件oozie简介

Oozie是一个管理 Apache Hadoop 作业的工作流调度系统。

Oozie的 workflow jobs 是由 actions 组成的 有向无环图(DAG)。

Oozie的 coordinator jobs 是由时间 (频率)和数据可用性触发的重复的 workflow jobs 。

Oozie与Hadoop生态圈的其他部分集成在一起，支持多种类型的Hadoop作业（如Java map-reduce、流式map-reduce、Pig、Hive、Sqoop和Distcp）以及特定于系统的工作（如Java程序和shell脚本），不同作业对应不同的workflow action。

Workflow：工作流，由我们需要处理的每个工作组成。

Coordinator：协调器，根据条件触发工作流执行，支持周期触发和检测数据是否准备好。

Bundle：将一堆的coordinator进行汇总处理。

job的组成

• job.properties 记录了job的属性
• workflow.xml 使用hPDL 定义任务的流程和分支
• lib目录 用来执行具体的任务
• coordinator.xml 定义调度策略

job.properties

KEY 含义 nameNode HDFS地址 jobTracker jobTracker（ResourceManager）地址 queueName Oozie队列（默认填写default） oozie.usr.system.libpath 是否加载用户lib目录（true/false） oozie.libpath 用户lib库所在的位置 oozie.wf.application.path Oozie流程所在hdfs地址（workflow.xml所在的地址） user.name 当前用户 oozie.coord.application.path Coordinator.xml地址（没有可以不写） oozie.bundle.application.path Bundle.xml地址（没有可以不写）

workflow.xml

包含控制流节点(control flow nodes)和动作节点(action nodes)

• [控制流节点]：主要包括start、end、fork、join等，其中fork、join成对出现，在fork展开。分支，最后在join结点汇聚

  * start
  * end

• [动作节点]：包括Hadoop任务、SSH、HTTP、EMAIL、OOZIE子任务

  * ok    --> end
  * error --> kill
  * 定义具体需要执行的job任务
  * MapReduce、shell、hive

actions 在远程系统（如Hadoop、Pig）中启动工作。在action完成时，远程系统回调Oozie通知action完成，此时Oozie将继续在workflow 中进行下一步操作。

<workflow-app xmlns="uri:oozie:workflow:0.2" name="no-op-wf">
    <start to="end"/>
    <end name="end"/>
</workflow-app>

coordinator.xml

workflow 作业是基于常规的时间间隔（time intervals）和数据可用性（data availability）运行的。

包括controls、datasets、input-events、output-events、action节点

• controls

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。

• datasets

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

<datasets>
     <include>[SHARED_DATASETS]</include>
     ...
     <dataset name="[NAME]" frequency="[FREQUENCY]" initial-instance="[DATETIME]" timezone="[TIMEZONE]">
          <uri-template>[URI TEMPLATE]</uri-template>
     </dataset>
     ...
</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。

• action节点定义需要运行的workflow

Coordinator 动作的状态变迁

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 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: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） ${coord:nominalTime()} nominal时间等于Coordinator Job启动时间，加上多个Coordinator Job的频率所得到的日期时间。例如：start=”2009-01-01T24:00Z”，end=”2009-12-31T24:00Z”，frequency=”${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