Oozie 简介

阅读数:51782 2011 年 8 月 18 日

在 Hadoop 中执行的任务有时候需要把多个 Map/Reduce 作业连接到一起,这样才能够达到目的。[1] 在 Hadoop 生态圈中,有一种相对比较新的组件叫做 Oozie[2],它让我们可以把多个 Map/Reduce 作业组合到一个逻辑工作单元中,从而完成更大型的任务。本文中,我们会向你介绍 Oozie 以及使用它的一些方式。

什么是 Oozie?

Oozie 是一种 Java Web 应用程序,它运行在 Java servlet 容器——即 Tomcat——中,并使用数据库来存储以下内容:

  • 工作流定义
  • 当前运行的工作流实例,包括实例的状态和变量

Oozie 工作流是放置在控制依赖 DAG(有向无环图 Direct Acyclic Graph)中的一组动作(例如,Hadoop 的 Map/Reduce 作业、Pig 作业等),其中指定了动作执行的顺序。我们会使用 hPDL(一种 XML 流程定义语言)来描述这个图。

hPDL 是一种很简洁的语言,只会使用少数流程控制和动作节点。控制节点会定义执行的流程,并包含工作流的起点和终点(start、end 和 fail 节点)以及控制工作流执行路径的机制(decision、fork 和 join 节点)。动作节点是一些机制,通过它们工作流会触发执行计算或者处理任务。Oozie 为以下类型的动作提供支持: Hadoop map-reduce、Hadoop 文件系统、Pig、Java 和 Oozie 的子工作流(SSH 动作已经从 Oozie schema 0.2 之后的版本中移除了)。

所有由动作节点触发的计算和处理任务都不在 Oozie 之中——它们是由 Hadoop 的 Map/Reduce 框架执行的。这种方法让 Oozie 可以支持现存的 Hadoop 用于负载平衡、灾难恢复的机制。这些任务主要是异步执行的(只有文件系统动作例外,它是同步处理的)。这意味着对于大多数工作流动作触发的计算或处理任务的类型来说,在工作流操作转换到工作流的下一个节点之前都需要等待,直到计算或处理任务结束了之后才能够继续。Oozie 可以通过两种不同的方式来检测计算或处理任务是否完成,也就是回调和轮询。当 Oozie 启动了计算或处理任务的时候,它会为任务提供唯一的回调 URL,然后任务会在完成的时候发送通知给特定的 URL。在任务无法触发回调 URL 的情况下(可能是因为任何原因,比方说网络闪断),或者当任务的类型无法在完成时触发回调 URL 的时候,Oozie 有一种机制,可以对计算或处理任务进行轮询,从而保证能够完成任务。

Oozie 工作流可以参数化(在工作流定义中使用像 ${inputDir}之类的变量)。在提交工作流操作的时候,我们必须提供参数值。如果经过合适地参数化(比方说,使用不同的输出目录),那么多个同样的工作流操作可以并发。

一些工作流是根据需要触发的,但是大多数情况下,我们有必要基于一定的时间段和(或)数据可用性和(或)外部事件来运行它们。Oozie 协调系统(Coordinator system)让用户可以基于这些参数来定义工作流执行计划。Oozie 协调程序让我们可以以谓词的方式对工作流执行触发器进行建模,那可以指向数据、事件和(或)外部事件。工作流作业会在谓词得到满足的时候启动。

经常我们还需要连接定时运行、但时间间隔不同的工作流操作。多个随后运行的工作流的输出会成为下一个工作流的输入。把这些工作流连接在一起,会让系统把它作为数据应用的管道来引用。Oozie 协调程序支持创建这样的数据应用管道。

安装 Oozie

我们可以把 Oozie 安装在现存的 Hadoop 系统中,安装方式包括 tarball、RPM 和 Debian 包等。我们的 Hadoop 部署是 Cloudera 的 CDH3,其中已经包含了 Oozie。因此,我们只是使用 yum 把它拉下来,然后在 edge 节点 [1] 上执行安装操作。在 Oozie 的发布包中有两个组件——Oozie-client 和 Oozie-server。根据簇集的规模,你可以让这两个组件安装在同一台 edge 服务器上,也可能安装在不同的计算机上。Oozie 服务器中包含了用于触发和控制作业的组件,而客户端中包含了让用户可以触发 Oozie 操作并与 Oozie 服务器通信的组件。

想要了解更多关于安装过程的信息,请使用 Cloudera 发布包,并访问 Cloudera 站点 [2]

注: 除了包括安装过程的内容之外,它还建议把下面的 shell 变量 OOZIE_URL 根据需要添加到.login、.kshrc 或者 shell 的启动文件中:

(export OOZIE_URL=http://localhost:11000/oozie)

简单示例

为了向你展示 Oozie 的使用方法,让我们创建一个简单的示例。我们拥有两个 Map/Reduce 作业 [3] ——一个会获取最初的数据,另一个会合并指定类型的数据。实际的获取操作需要执行最初的获取操作,然后把两种类型的数据——Lidar 和 Multicam——合并。为了让这个过程自动化,我们需要创建一个简单的 Oozie 工作流(代码 1)。

<!--
Copyright (c) 2011 NAVTEQ! Inc. All rights reserved.
NGMB IPS ingestor Oozie Script
-->
<workflow-app xmlns='uri:oozie:workflow:0.1' name='NGMB-IPS-ingestion'>
    <start to='ingestor'/>
    <action name='ingestor'>
        <java>
            <job-tracker>${jobTracker}</job-tracker>
            <name-node>${nameNode}</name-node>
            <configuration>
                <property>
                    <name>mapred.job.queue.name</name>
                    <value>default</value>
                </property>
            </configuration>
            <main-class>com.navteq.assetmgmt.MapReduce.ips.IPSLoader</main-class>
            <java-opts>-Xmx2048m</java-opts>
            <arg>${driveID}</arg>
        </java>
        <ok to="merging"/>
        <error to="fail"/>
    </action>
    <fork name="merging">
        <path start="mergeLidar"/>
        <path start="mergeSignage"/>
    </fork>
    <action name='mergeLidar'>
        <java>
            <job-tracker>${jobTracker}</job-tracker>
            <name-node>${nameNode}</name-node>
            <configuration>
                <property>
                    <name>mapred.job.queue.name</name>
                    <value>default</value>
                </property>
            </configuration>
            <main-class>com.navteq.assetmgmt.hdfs.merge.MergerLoader</main-class>
            <java-opts>-Xmx2048m</java-opts>
            <arg>-drive</arg>
            <arg>${driveID}</arg>
            <arg>-type</arg>
            <arg>Lidar</arg>
            <arg>-chunk</arg>
            <arg>${lidarChunk}</arg>
        </java>
    <ok to="completed"/>
    <error to="fail"/>
    </action>
    <action name='mergeSignage'>
        <java>
            <job-tracker>${jobTracker}</job-tracker>
            <name-node>${nameNode}</name-node>
            <configuration>
                <property>
                    <name>mapred.job.queue.name</name>
                    <value>default</value>
                </property>
            </configuration>
            <main-class>com.navteq.assetmgmt.hdfs.merge.MergerLoader</main-class>
            <java-opts>-Xmx2048m</java-opts>
            <arg>-drive</arg>
            <arg>${driveID}</arg>
            <arg>-type</arg>
            <arg>MultiCam</arg>
            <arg>-chunk</arg>
            <arg>${signageChunk}</arg>
        </java>
        <ok to="completed"/>
        <error to="fail"/>
    </action>
    <join name="completed" to="end"/>
    <kill name="fail">
        <message>Java failed, error message[${wf:errorMessage(wf:lastErrorNode())}]</message>
    </kill>
    <end name='end'/>
</workflow-app> 

代码 1: 简单的 Oozie 工作流

这个工作流定义了三个动作:ingestor、mergeLidar 和 mergeSignage。并把每个动作都实现为 Map/Reduce [4] 作业。这个工作流从 start 节点开始,然后把控制权交给 Ingestor 动作。一旦 ingestor 步骤完成,就会触发 fork 控制节点 [4],它会并行地开始执行 mergeLidar 和 mergeSignage [5] 。这两个动作完成之后,就会触发 join 控制节点 [6] 。join 节点成功完成之后,控制权就会传递给 end 节点,它会结束这个过程。

创建工作流之后,我们需要正确地对其进行部署。典型的 Oozie 部署是一个 HDFS 目录,其中包含 workflow.xml(代码 1)、config-default.xml 和 lib 子目录,其中包含有工作流操作所要使用的类的 jar 文件。

(点击可以查看大图)

图 1: Oozie 部署

config-default.xml 文件是可选的,通常其中会包含对于所有工作流实例通用的工作流参数。代码 2 中显示的是 config-default.xml 的简单示例。

<configuration>
    <property>
        <name>jobTracker</name>
        <value>sachicn003:2010</value>
    </property>
    <property>
        <name>nameNode</name>
        <value>hdfs://sachicn001:8020</value>
    </property>
    <property>
        <name>queueName</name>
        <value>default</value>
    </property>
</configuration>

代码 2: Config-default.xml

完成了工作流的部署之后,我们可以使用 Oozie 提供的命令行工具 [5],它可以用于提交、启动和操作工作流。这个工具一般会运行在 Hadoop 簇集 [7] 的 edge 节点上,并需要一个作业属性文件(参见配置工作流属性),见代码 3。

oozie.wf.application.path=hdfs://sachicn001:8020/user/blublins/workflows/IPSIngestion
jobTracker=sachicn003:2010
nameNode=hdfs://sachicn001:8020

代码 3: 作业属性文件

有了作业属性,我们就可以使用代码 4 中的命令来运行 Oozie 工作流。

oozie job –oozie http://sachidn002.hq.navteq.com:11000/oozie/ -D driveID=729-pp00002-2011-02-08-09-59-34 -D lidarChunk=4 -D signageChunk=20 -config job.properties –run

列表 4: 运行工作流命令

配置工作流属性

在 config-default.xml、作业属性文件和作业参数中有一些重叠,它们可以作为命令行调用的一部分传递给 Oozie。尽管文档中没有清晰地指出何时使用哪个,但总体上的建议如下:

  • 使用 config-default.xml 定义对于指定工作流从未改变过的参数。
  • 对于给定的工作流部署通用的参数,建议使用作业属性。
  • 对于指定的工作流调用特定的参数使用命令行参数。

Oozie 处理这三种参数的方式如下:

  • 使用所有命令行调用的参数
  • 如果那里有任何无法解析的参数,那么就是用作业配置来解析
  • 一旦所有其它方式都无法处理,那么就试着使用 config-default.xm。

我们可以使用 Oozie 控制台(图 2)来观察工作流执行的进程和结果。

(点击可以查看大图)

图 2: Oozie 控制台

我们还可以使用 Oozie 控制台来获得操作执行的细节,比方说作业的日志 [8] (图 3)。

(点击可以查看大图)

图 3: Oozie 控制台——作业日志

编程方式的工作流调用

尽管上面所述的命令行界面能够很好地用于手动调用 Oozie,但有时使用编程的方式调用 Oozie 更具有优势。当 Oozie 工作流是特定的应用程序或者大型企业过程的一部分,这就会很有用。我们可以使用 Oozie Web Services APIs [6] 或者 Oozie Java client APIs [7] 来实现这种编程方式的调用。代码 5 中展现的就是很简单的 Oozie Java 客户端的例子,它会触发上面描述的过程。

package com.navteq.assetmgmt.oozie;

import java.util.LinkedList;
import java.util.List;
import java.util.Properties;

import org.apache.oozie.client.OozieClient;
import org.apache.oozie.client.OozieClientException;
import org.apache.oozie.client.WorkflowJob;
import org.apache.oozie.client.WorkflowJob.Status;

public class WorkflowClient {

    private static String OOZIE_URL = "http://sachidn002.hq.navteq.com:11000/oozie/";
    private static String JOB_PATH = "hdfs://sachicn001:8020/user/blublins/workflows/IPSIngestion";
    private static String JOB_Tracker = "sachicn003:2010";
    private static String NAMENode = "hdfs://sachicn001:8020";

    OozieClient wc = null;

    public WorkflowClient(String url){
        wc = new OozieClient(url);
    }

    public String startJob(String wfDefinition, List<WorkflowParameter> wfParameters)
        throws OozieClientException{

        // create a workflow job configuration and set the workflow application path
        Properties conf = wc.createConfiguration();
        conf.setProperty(OozieClient.APP_PATH, wfDefinition);

        // setting workflow parameters
        conf.setProperty("jobTracker", JOB_Tracker);
        conf.setProperty("nameNode", NAMENode);
        if((wfParameters != null) && (wfParameters.size() > 0)){
            for(WorkflowParameter parameter : wfParameters)
                conf.setProperty(parameter.getName(), parameter.getValue());
        }
        // submit and start the workflow job
        return wc.run(conf);
    }

    public Status getJobStatus(String jobID) throws OozieClientException{
        WorkflowJob job = wc.getJobInfo(jobID);
        return job.getStatus();
    }

    public static void main(String[] args) throws OozieClientException, InterruptedException{

        // Create client
        WorkflowClient client = new WorkflowClient(OOZIE_URL);
        // Create parameters
        List<WorkflowParameter> wfParameters = new LinkedList<WorkflowParameter>();
        WorkflowParameter drive = new WorkflowParameter("driveID","729-pp00004-2010-09-01-09-46");
        WorkflowParameter lidar = new WorkflowParameter("lidarChunk","4");
        WorkflowParameter signage = new WorkflowParameter("signageChunk","4");
        wfParameters.add(drive);
        wfParameters.add(lidar);
        wfParameters.add(signage);
        // Start Oozing
        String jobId = client.startJob(JOB_PATH, wfParameters);
        Status status = client.getJobStatus(jobId);
        if(status == Status.RUNNING)
             System.out.println("Workflow job running");
        else
             System.out.println("Problem starting Workflow job");
    }
}

代码 5: 简单的 Oozie Java 客户端

在此,我们首先使用 Oozie 服务器 URL 对工作流客户端进行初始化。初始化过程完成之后,我们就可以使用客户端提交并启动作业(startJob 方法),获得正在运行的作业的状态(getStatus 方法),以及进行其他操作。

构建 java 动作,向工作流传递参数

在之前的示例中,我们已经展示了如何使用标签向Java 节点传递参数。由于Java 节点是向Oozie 引入自定义计算的主要方法,因此能够从Java 节点向Oozie 传递数据也同样重要。

根据 Java 节点的文档 [3],我们可以使用“capture-output””元素把 Java 节点生成的值传递回给 Oozie 上下文。然后,工作流的其它步骤可以通过 EL-functions 访问这些值。返回值需要以 Java 属性格式文件写出来。我们可以通过“JavaMainMapper.OOZIE_JAVA_MAIN_CAPTURE_OUTPUT_FILE”常量从 System 属性中获得这些属性文件的名称。代码 6 是一个简单示例,演示了如何完成这项操作。

package com.navteq.oozie;
import java.io.File;
import java.io.FileOutputStream;
import java.io.OutputStream;
import java.util.Calendar;
import java.util.GregorianCalendar;
import java.util.Properties;

public class GenerateLookupDirs {

    /**
    * @param args
    */
    public static final long dayMillis = 1000 * 60 * 60 * 24;
    private static final String OOZIE_ACTION_OUTPUT_PROPERTIES = "oozie.action.output.properties";

    public static void main(String[] args) throws Exception {
        Calendar curDate = new GregorianCalendar();
        int year, month, date;
        String propKey, propVal;

        String oozieProp = System.getProperty(OOZIE_ACTION_OUTPUT_PROPERTIES);
        if (oozieProp != null) {
            File propFile = new File(oozieProp);
            Properties props = new Properties();

            for (int i = 0; I < 8; ++i) {
                year = curDate.get(Calendar.YEAR);
                month = curDate.get(Calendar.MONTH) + 1;
                date = curDate.get(Calendar.DATE);
                propKey = "dir"+i;
                propVal = year + "-" +
                    (month < 10 ? "0" + month : month) + "-" +
                    (date < 10 ? "0" + date : date);
                props.setProperty(propKey, propVal);
                curDate.setTimeInMillis(curDate.getTimeInMillis() - dayMillis);
            }
            OutputStream os = new FileOutputStream(propFile);
            props.store(os, "");
            os.close();
        } else
            throw new RuntimeException(OOZIE_ACTION_OUTPUT_PROPERTIES
             + " System property not defined");
        }
}

代码 6: 向 Oozie 传递参数

在这个示例中,我们假设在 HDFS 中有针对每个日期的目录。这样,这个类首先会获得当前日期,然后再获得离现在最近的 7 个日期(包括今天),然后把目录名称传递回给 Oozie。

结论

在本文我们介绍了 Oozie,它是针对 Hadoop 的工作流引擎,并且提供了使用它的简单示例。在下一篇文章中,我们会看到更复杂的例子,让我们可以更进一步讨论 Oozie 的特性。

致谢

非常感谢我们在 Navteq 的同事 Gregory Titievsky,他为我们提供了一些例子。

关于作者

Boris Lublinsky是 NAVTEQ 公司的首席架构师,在这家公司中他的工作是为大型数据管理和处理、SOA 以及实现各种 NAVTEQ 的项目定义架构的愿景。 他还是 InfoQ 的 SOA 编辑,以及 OASIS 的 SOA RA 工作组的参与者。Boris 是一位作者,还经常发表演讲,他最新的一本书是《Applied SOA》。

Michael Segel在过去二十多年间一直与客户写作,识别并解决他们的业务问题。 Michael 已经作为多种角色、在多个行业中工作过。他是一位独立顾问,总是期望能够解决所有有挑战的问题。Michael 拥有俄亥俄州立大学的软件工程学位。


[1] edge 节点是安装有 Hadoop 库的计算机,但不是真正簇集中的一部分。它是为能够连接到簇集中的应用程序所用的,并且会部署辅助服务以及能够直接访问簇集的最终用户应用程序。

[2] 请参看Oozie 安装的链接。

[3] 这些作业的细节和本文无关,所以在其中没有描述。

[4] Map/Reduce 作业能够以两种不同的方式在 Oozie 中实现——第一种是作为真正的 Map/Reduce 动作 [2],其中你会指定 Mapper 和 Reducer 类以及它们的配置信息;第二种是作为 Java 动作 [3],其中你会使用 Hadoop API 来指定启动 Map/Reduce 作业的类。因为我们所有的 Java 主函数都是使用 Hadoop API,并且还实现了一些额外的功能,所以我们选择了第二种方法。

[5] Oozie 确保两个动作会并行地提交给作业跟踪程序。在执行过程中实际的并行机制并不在 Oozie 的控制之内,并且依赖于作业的需求、簇集的能力以及 Map/Reduce 部署所使用的调度程序。

[6] join 动作的功能是要同步 fork 动作启动的多个并行执行的线程。如果 fork 启动的所有执行的线程都能够成功完成,那么 join 动作就会等待它们全部完成。如果有至少一个线程执行失败,kill 节点会“杀掉”剩余运行的线程。

[7] 这个节点不需要是安装了 Oozie 的计算机。

[8] Oozie 的作业日志会包含工作流执行的细节,想要查看动作执行的细节,我们需要切换到 Hadoop 的 Map/Reduce 管理页面。

查看英文原文: Introduction to Oozie


给 InfoQ 中文站投稿或者参与内容翻译工作,请邮件至 editors@cn.infoq.com 。也欢迎大家加入到 InfoQ 中文站用户讨论组中与我们的编辑和其他读者朋友交流。

收藏

评论

微博

发表评论

注册/登录 InfoQ 发表评论