python工作流引擎workflow.py_工作流引擎Oozie（一）：workflow

Workflow是一款应用软件，2015年“App Store最佳应用”，iPhone平台最具创新应用。2017年3月，Workflow被苹果公司收购。苹果不只获得了Workflow App，开发团队也会加入苹果公司。目前，Workflow已改名为快捷指令(Shortcuts)。

1. Oozie简介

Yahoo开发工作流引擎Oozie(驭象者)，用于管理Hadoop任务(支持MapReduce、Spark、Pig、Hive)，把这些任务以DAG(有向无环图)方式串接起来。Oozie任务流包括：coordinator、workflow；workflow描述任务执行顺序的DAG，而coordinator则用于定时任务触发，相当于workflow的定时管理器，其触发条件包括两类：

数据文件生成

时间条件

Oozie定义了一种基于XML的hPDL (Hadoop Process Definition Language)来描述workflow的DAG。在workflow中定义了

控制流节点(Control Flow Nodes)

动作节点(Action Nodes)

其中，控制流节点定义了流程的开始和结束(start、end)，以及控制流程的执行路径(Execution Path)，如decision、fork、join等；而动作节点包括Hadoop任务、SSH、HTTP、eMail和Oozie子流程等。控制流节点示例如下：.

... Failed, error message[${wf:errorMessage(wf:lastErrorNode())}]

其中，fork、join是成对出现，表示了工作流的并发执行，最后汇聚到一个node。从Oozie的工作流调度机制可以看出，Oozie没有能力表达复杂的DAG，比如：嵌套的依赖关系。此外，Oozie工作流可以参数化，比如：在工作流定义中使用像${inputDir}之类的变量，然后通过job.properties配置对应参数，在启动时将这些配置参数传入工作流：

oozie job -oozie http://:11000/oozie/ -config job.properties -run

2. Workflow

Action Node定义了基本的工作任务节点。(以下介绍版本基于Oozie 4.1.0)

MapReduce

一般地，我用java action启动MapReduce任务，对于任务的动态变化参数，在workflow的configuration进行配置，然后在job.properties指定参数值。

${jobTracker}${nameNode}mapred.reduce.tasks${reducerNum}mapreduce.job.queuename${queueName}...-Xms256m -Xmx512m..${nameNode}/user/${wf:user()}/xx ... ${cleanDate}

其中， ${wf:user()}为workflow的内置参数，表示当前用户名。一般地，使用该参数，为了保证写权限(毕竟没有写文件到其他用户文件夹的权限)。

Spark

Oozie支持Spark action，不过支持的不是特别好。提交spark任务时，需要加载spark-assembly jar。

${jobTracker}${nameNode}mapred.job.queue.name${queueName}yarn-clusterclusteretl${cleanDate}...///lib/xxx.jar --num-executors ${executors} --driver-memory 4g --executor-memory 4g --executor-cores 5 --queue=${queueName} ..

Pig

Oozie内置pig action，其中pig脚本所在的HDFS路径，param为pig脚本中的参数。Oozie调度pig任务略坑，先随机指定一台机器，然后将pig脚本dist到该机器，然后执行。但是，因为集群中不同机器部署的pig版本可能不一致，而导致任务跑失败。

${jobTracker}${nameNode}mapreduce.job.queuename${queueName}CLEANDATE=${cleanDate}

在pig脚本中，一般用$ + 大写字母表示输入参数，示例如下：

A = load '///$CLEANDATE' using OrcStorage();

store E into '//$CLEANDATE';

实际上，在本地执行带参数的pig脚本时，也是用-param命令：

pig -f test.pig -param CLEANDATE=2016-05-26

Hive

Oozie也可以调度Hive任务，一般使用hive2 action通过beeline连接Hive Server 2，然后执行HiveQL:

${jobTracker}${nameNode}mapreduce.job.queuename${queueName}jdbc:hive2://host:10000/db-nameDAYTIME=${dayTime}

alter table db.log_tb

add if not exists partition (day_time=date '${DAYTIME}')

location '${DAYTIME}';

hive命令执行本地hql通过--hivevar传入参数：

hive -f test.hql --hivevar DAYTIME=2016-05-17

此外，在执行hive2 action时需有如下依赖：

org.apache.hivehive-exec${hive.version}org.apache.hivehive-beeline${hive.version}

在job.properties指定oozie.libpath(对应于依赖jar的目录)。