大数据调度工具oozie详细介绍 - 好文

背景：

之前项目中的sqoop等离线数据迁移job都是利用shell脚本通过crontab进行定时执行，这样实现的话比较简单，但是随着多个job复杂度的提升，无论是协调工作还是任务监控都变得麻烦，我们选择使用oozie来对工作流进行调度监控。在此介绍一下oozie~

注：我的 Oozie server version：[4.1.0 - CDH 5.13.0]

一、官网介绍

首先看官网首页介绍：http://oozie.apache.org <http://oozie.apache.org>

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）。

Oozie是一个可伸缩、可靠和可扩展的系统。

oozie web控制台界面如下：

注：如果界面报错 Oozie web console is disabled，请看我之前的一篇博客：CDH集群oozie报错
<https://blog.csdn.net/Abysscarry/article/details/80503594>

二、对比选型

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
于是，出现了一些管理crontab任务的调度系统，如 CronHub、CronWeb 等。

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,Hamake等，

我们往往把 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

由于我在安装公司CDH集群时已经安装好oozie了，且有对应的可视化操作工具hue，所以我们直接选择oozie进行工作流调度啦！

三、原理详解

1.主要概念：

我们在官网介绍中就注意到了，Oozie主要有三个主要概念，分别是 workflow，coordinator，bundle。

其中：

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。

Oozie本质是通过 launcher job 运行某个具体的Action。launcher job是一个 map-only
的MR作业，而且并不知道它将在集群的哪台机器上执行这个MR作业。oozie有很多的坑，也是因为这个 launcher job 解析job时触发的异常情况！

2.组件架构图：

ps：这个图是google上好不容易找到的，国内基本没有或者不清晰…

相信稍微了解下oozie的具体用法后再看这个图，就一目了然了！

3.Job组成：

一个oozie 的 job 一般由以下文件组成：
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

其中：

Job.properties：

KEY 含义
nameNode HDFS地址
jobTracker jobTracker（ResourceManager）地址
queueName Oozie队列（默认填写default）
examplesRoot 全局目录（默认填写examples）
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）
注：
1、这个文件如果是在本地通过命令行进行任务提交的话，这个文件在本地就可以了，当然也可以放在hdfs上，与workflow.xml和lib处于同一层级。

2、nameNode，jobTracker和 workflow.xml在hdfs中的位置必须设置。

e.g：Shell节点的job.properties文件示例如下：
nameNode=hdfs://cm1:8020 jobTracker=cm1:8032 queueName=default examplesRoot
=examples oozie.wf.application.path=${nameNode}/user/workflow/oozie/shell
workflow.xml：

这个文件是定义任务的整体流程的文件，官网wordcount例子如下：

<workflow-app name='wordcount-wf' xmlns="uri:oozie:workflow:0.1"> <start to=
'wordcount'/> <action name='wordcount'> <map-reduce> <job-tracker>${jobTracker}
</job-tracker> <name-node>${nameNode}</name-node> <configuration> <property> <
name>mapred.mapper.class</name> <value>org.myorg.WordCount.Map</value> </
property> <property> <name>mapred.reducer.class</name> <value>
org.myorg.WordCount.Reduce</value> </property> <property> <name>mapred.input.dir
</name> <value>${inputDir}</value> </property> <property> <name>
mapred.output.dir</name> <value>${outputDir}</value> </property> </configuration
> </map-reduce> <ok to='end'/> <error to='end'/> </action> <kill name='kill'> <
message>Something went wrong: ${wf:errorCode('wordcount')}</message> </kill/> <
end name='end'/> </workflow-app>
可以看到：
**[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 ** kill ** end **[动作节点]：包括Hadoop任务、SSH、HTTP、EMAIL、OOZIE子任务 ** ok --> end
** error -->end ** 定义具体需要执行的job任务 ** MapReduce、shell、hive
注：
文件需要被放在HDFS上才能被oozie调度，如果在启动需要调动MR任务，jar包同样需要在hdfs上

Lib目录：

在workflow工作流定义的同级目录下，需要有一个lib目录，在lib目录中存在java节点MapReduce使用的jar包。

需要注意的是，oozie并不是使用指定jar包的名称来启动任务的，而是通过制定主类来启动任务的。
在lib包中绝对不能存在某个jar包的不同版本，不能够出现多个相同主类。

4.Workflow 介绍：

workflow 是一组 actions 集合（例如Hadoop map/reduce作业，pig作业），它被安排在一个控制依赖项DAG（Direct
Acyclic Graph）中。“控制依赖”从一个action到另一个action意味着第二个action不能运行，直到第一个action完成。

Oozie Workflow 定义是用 hPDL 编写的（类似于JBOSS JBPM jPDL的XML过程定义语言）。

Oozie Workflow 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。

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

控制流节点定义workflow的开始和结束（start、end 和 fail 节点），并提供一种机制来控制workflow
执行路径（decision、fork和join节点）。

action 节点是workflow触发计算/处理任务执行的机制。Oozie为不同类型的操作提供了支持：Hadoop
map-reduce、Hadoop文件系统、Pig、SSH、HTTP、电子邮件和Oozie子工作流。Oozie可以扩展来支持其他类型的操作。

Oozie Workflow 可以被参数化（在工作流定义中使用诸如$inputDir之类的变量）。在提交workflow
作业值时，必须提供参数。如果适当地参数化（即使用不同的输出目录），几个相同的workflow作业可以并发。

5.Coordinator介绍：

用户通常在grid上运行map-reduce、hadoop流、hdfs或pig作业。这些作业中的多个可以组合起来形成一个workflow 作业。Hadoop
workflow 系统定义了一个workflow 系统来运行这样的工作。

通常，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。在某些情况下，它们可以由外部事件触发。

表示触发workflow 作业的条件可以被建模为必须满足的谓词（predicate ）。workflow
作业是在谓词满足之后开始的。谓词可以引用数据、时间和/或外部事件。在将来，可以扩展模型来支持额外的事件类型。

还需要连接定期运行的workflow 作业，但在不同的时间间隔内。多个后续运行的workflow 的输出成为下一个workflow
的输入。例如，每15分钟运行一次的workflow 的4次运行的输出，就变成了每隔60分钟运行一次的workflow 的输入。将这些workflow
链接在一起会导致它被称为数据应用程序管道。

Oozie Coordinator 系统允许用户定义和执行周期性和相互依赖的workflow 作业（数据应用程序管道）。

真实世界的数据应用管道必须考虑到二次处理、后期处理、捕获、部分处理、监测、通知和SLAS。

6.Bundle介绍：

Bundle 是一个更高级的oozie抽象，它将批处理一组Coordinator应用程序。

用户将能够在bundle级别启动/停止/暂停/恢复/重新运行，从而获得更好、更容易的操作控制。
更具体地说，oozie Bundle系统允许用户定义和执行一堆通常称为数据管道的Coordinator应用程序。在Bundle中，Coordinator
应用程序之间没有显式的依赖关系。然而，用户可以使用Coordinator应用程序的数据依赖来创建隐式数据应用程序管道。

本次介绍就到这里啦，具体用法还需要去官网翻阅 ~

热门工具换一换