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。

1. Oozie的特点

Oozie是管理hadoop作业的调度系统
Oozie的工作流作业是一系列动作的有向无环图（DAG）
Oozie协调作业是通过时间（频率）和有效数据触发当前的Oozie工作流程
Oozie支持各种hadoop作业，例如:java map-reduce、Streaming map-reduce、pig、hive、sqoop和distcp等等，也支持系统特定的作业，例如java程序和shell脚本。
Oozie是一个可伸缩，可靠和可拓展的系统

2. 为什么选择Oozie

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

3. Oozie-Azkaban详细对比

对市面上最流行的两种调度器，给出以下详细对比。知名度比较高的应该是Apache Oozie，但是其配置工作流的过程是编写大量的XML配置，而且代码复杂度比较高，不易于二次开发。ooize相比azkaban是一个重量级的任务调度系统，功能全面，但配置使用也更复杂。如果可以不在意某些功能的缺失，轻量级调度器azkaban是很不错的候选对象。

从功能上来对比
　　两者均可以调度linux命令、mapreduce、spark、pig、java、hive、java程序、脚本工作流任务
　　两者均可以定时执行工作流任务

从工作流定义上来对比
　　1、Azkaban使用Properties文件定义工作流
　　2、Oozie使用XML文件定义工作流

从工作流传参上来对比
　　1、Azkaban支持直接传参，例如${input}
　　2、Oozie支持参数和EL表达式，例如${fs:dirSize(myInputDir)}

从定时执行上来对比
　　1、Azkaban的定时执行任务是基于时间的
　　2、Oozie的定时执行任务基于时间和输入数据

从资源管理上来对比
　　1、Azkaban有较严格的权限控制，如用户对工作流进行读/写/执行等操作
　　2、Oozie暂无严格的权限控制

从工作流执行上来对比
　　1、Azkaban有三种运行模式：
　　　　1.1、solo server mode：最简单的模式，数据库内置的H2数据库，管理服务器和执行服务器都在一个进程中运行，任务量不大项目可以采用此模式。
　　　　1.2、 two server mode：数据库为mysql，管理服务器和执行服务器在不同进程，这种模式下，管理服务器和执行服务器互不影响
　　　　1.3 、multiple executor mode：该模式下，执行服务器和管理服务器在不同主机上，且执行服务器可以有多个
　　　　我这次采用第二种模式，管理服务器、执行服务器分进程，但在同一台主机上。
　　2、Oozie作为工作流服务器运行，支持多用户和多工作流

从工作流管理上来对比
　　1、Azkaban支持浏览器以及ajax方式操作工作流
　　2、Oozie支持命令行、HTTP REST、Java API、浏览器操作工作流

另一版本区别：
　　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的部署太虐心了。有点难。同时它是从Yarn上拉任务日志。
　　　　　　　　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，入用户对工作流读写执行操作。
　　　　　　　　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。

4. 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。
在这里插入图片描述
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。

5. 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

5.1 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）

5.2 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：
在这里插入图片描述

<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='kill'/></action><kill name='kill'><message>Something went wrong: ${wf:errorCode('wordcount')}</message></kill/><end name='end'/>
</workflow-app>

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

注意:
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。

6. Workflow介绍

在这里插入图片描述
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。

7. Coordinator介绍

在这里插入图片描述
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）。

8. Bundle介绍

在这里插入图片描述
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。

9. 案例演示

配置文件1：coordinator.xml
在这里插入图片描述
配置文件2：workflow.xml

配置文件3：job.properties

[补充]crontab执行时间计算：
各个字符代表的含义。0代表从0分开始，*代表任意字符，／代表递增。
crontab执行时间计算
Cron表达式生成器

将配置文件和jar包按照配置文件中配置的路径上传到HDFS的对应目录
注：严格注意目录位置
在这里插入图片描述

9.1 测试-步骤:

#在HDFS上建立如下文件夹
hdfs dfs -mkdir -p /apps/tags/models/Tag_001/lib
#将文件上传到HDFS
hdfs dfs -put job.properties /apps/tags/models/Tag_001/
hdfs dfs -put coordinator.xml /apps/tags/models/Tag_001/
hdfs dfs -put workflow.xml /apps/tags/models/Tag_001/
hdfs dfs -put model29.jar /apps/tags/models/Tag_001/lib

9.2 Oozie命令

在服务器中cd oozie_test/查看
coordinator.xml\job.properties\model29.jar\workflow.xml

#运行oozie coordinator.xml
#校验配置文件
oozie validate -oozie http://bd001:11000/oozie /root/oozie_test/coordinator.xml
#运行job（配置文件在/root/oozie_test/job.properties，需要查看服务器是否有改文件）
oozie job -oozie http://bd001:11000/oozie -config /root/oozie_test/job.properties -run
#查看信息
oozie job -oozie http://bd001:11000/oozie -info 0000029-191027171933033-oozie-root-C
#查看日志
oozie job -oozie http://bd001:11000/oozie -log 0000064-190923225831711-oozie-root-C
#Kill任务
oozie job -oozie http://bd001:11000/oozie -kill 0000064-190923225831711-oozie-root-C
#查看所有普通任务
oozie  jobs  -oozie http://bd001:11000/oozie
#查看定时任务
oozie jobs -jobtype coordinator -oozie http://bd001:11000/oozie

结果截图：
在这里插入图片描述
Web：http://bd001:11000/oozie/部分查看
思考：上述通过命令调度，在项目中整合oozieAPI整合SpringBoot完成调度

10. Oozie工具类代码开发

导入Oozie相关配置文件,放入resources文件夹
以下文件是up.conf

model: {user: "root"app: "tags"path: {jars: "/temp/jars"model-base: "/apps/tags_new/models"}
}
hadoop: {name-node: "hdfs://bd001:8020"resource-manager: "bd001:8032"
}
mysql: {url: "jdbc:mysql://bd001:3306/tags_new?useUnicode=true&characterEncoding=UTF-8&serverTimezone=UTC&user=root&password=123456"driver: "com.mysql.jdbc.Driver"tag-table: "tbl_basic_tag"model-table: "tbl_model"
}
oozie: {url: "http://bd001:11000/oozie"params: {"user.name": ${model.user}"nameNode": ${hadoop.name-node}"jobTracker": ${hadoop.resource-manager}"appName": ${model.app}"master": "yarn""mode": "cluster""queueName": "default""oozie.use.system.libpath": "true""oozie.libpath": "${nameNode}/user/root/share/lib/lib_20190802113508/spark2""sparkOptions": " --driver-memory 512m --executor-memory 512m --num-executors 1 --executor-cores 1 --conf spark.yarn.historyServer.address=http://bd001:18081 --conf spark.eventLog.enabled=true --conf spark.eventLog.dir=hdfs://bd001:8020/apps/spark2/spark2-history/ --conf spark.yarn.jars=hdfs://bd001:8020/apps/archive/sparklib/spark-libs.jar""freq": "0/10 * * * *"}
}

10.1 编写Oozie配置类

ConfigHolder.scala

package com.erainm.up.commonimport com.typesafe.config.ConfigFactory
import pureconfig.ConfigSource
case class Config
(model: Model,hadoop: Hadoop,mysql: MySQL,oozie: Oozie
)case class Model
(user: String,app: String,path: Path
)case class Path
(jars: String,modelBase: String
)case class Hadoop
(nameNode: String,resourceManager: String
)case class MySQL
(url: String,driver: String,tagTable: String,modelTable: String
)case class Oozie
(url: String,params: Map[String, String]
)object ConfigHolder {import pureconfig._import pureconfig.generic.auto._private val configTool = ConfigFactory.load("up")val config: Config = ConfigSource.fromConfig(configTool).load[Config].right.getval model: Model = config.modelval hadoop: Hadoop = config.hadoopval oozie: Oozie = config.oozieval mysql: MySQL = config.mysql
}

10.2 编写Oozie工具类

OozieUtils.scala 编写

package com.erainm.up.commonimport java.util.Properties
import org.apache.commons.lang3.StringUtils
import org.apache.oozie.client.OozieClientobject OozieUtils {val classLoader: ClassLoader = getClass.getClassLoader/*** Properties 包含各种配置* OozieParam 外部传进来的参数* 作用: 生成配置, 有些配置无法写死, 所以外部传入*/def genProperties(param: OozieParam): Properties = {val properties = new Properties()val params: Map[String, String] = ConfigHolder.oozie.paramsfor (entry <- params) {properties.setProperty(entry._1, entry._2)}val appPath = ConfigHolder.hadoop.nameNode + genAppPath(param.modelId)properties.setProperty("appPath", appPath)properties.setProperty("mainClass", param.mainClass)properties.setProperty("jarPath", param.jarPath) // 要处理if (StringUtils.isNotBlank(param.sparkOptions)) properties.setProperty("sparkOptions", param.sparkOptions)properties.setProperty("start", param.start)properties.setProperty("end", param.end)properties.setProperty(OozieClient.COORDINATOR_APP_PATH, appPath)properties}/*** 上传配置* @param modelId 因为要上传到 家目录, 所以要传入 id 生成家目录*/def uploadConfig(modelId: Long): Unit = {val workflowFile = classLoader.getResource("oozie/workflow.xml").getPathval coordinatorFile = classLoader.getResource("oozie/coordinator.xml").getPathval path = genAppPath(modelId)HDFSUtils.getInstance().mkdir(path)HDFSUtils.getInstance().copyFromFile(workflowFile, path + "/workflow.xml")HDFSUtils.getInstance().copyFromFile(coordinatorFile, path + "/coordinator.xml")}def genAppPath(modelId: Long): String = {ConfigHolder.model.path.modelBase + "/tags_" + modelId}def store(modelId: Long, prop: Properties): Unit = {val appPath = genAppPath(modelId)prop.store(HDFSUtils.getInstance().createFile(appPath + "/job.properties"), "")}def start(prop: Properties): Unit = {val oozie = new OozieClient(ConfigHolder.oozie.url)println(prop)val jobId = oozie.run(prop)println(jobId)}/*** 调用方式展示*/def main(args: Array[String]): Unit = {val param = OozieParam(19,"com.erainm.up29.TestTag","hdfs://bd001:8020/apps/tags/models/Tag_001/lib/model29.jar","","2019-09-24T06:15+0800","2030-09-30T06:15+0800")val prop = genProperties(param)println(prop)uploadConfig(param.modelId)store(param.modelId, prop)start(prop)}
}case class OozieParam
(modelId: Long,mainClass: String,jarPath: String,sparkOptions: String,start: String,end: String
)

10.3 编写Oozie测试类

package com.erainm.up.commonimport java.util.Properties
import org.apache.oozie.client.OozieClient
object OozieTest {def upload (): Unit = {}def genProperties(): Unit = {}def main(args: Array[String]): Unit = {// 1. 上传文件到 HDFS 中, workflow.xml, coordinator.xml, jarval path = getClass.getResource("oozie/workflow.xml").getPathHDFSUtils.getInstance().copyFromFile(path, "/apps/tags_new/models/tags_modelid")// 2. 创建配置// 2.1. 读取配置, 这些配置可能不变, 写死的val prop = new Properties()prop.load(getClass.getResource("oozie/job.properties").openStream())// 2.2. 有一些参数, 必须要不同的模型计算, 有不同的值// prop.setProperty(...)// 3. 运行 Oozie 任务, oozie -oozie ... -config job.properties -runval client = new OozieClient("http://bd001:11000/oozie")// run -> submit + startclient.run(prop)}
}

注意：有时候oozie调度会因为windows和服务器时间不一致，使用 date -s "2020-09-08 11:07:00"修改

11. Oozie整合SpringBoot编写任务调度【测试】

首先观察如下界面
在这里插入图片描述
浏览器查看返回的state信息
http://localhost:8081/tags/71/model
查看tbl_basic_tag完成对应71为id对应的name

在这里插入图片描述
注意：
Modelpo是用来操作数据库的
Modeldto是用来和前段交互的
这样区分是用来隐藏数据库表结构
防止黑客进行数据库攻击
而ModelRepo是dao用来把po保存到数据库的

11.1 编写Controller控制层代码

//http://localhost:8081/tags/71/model
//1-使用tagService更新状态
//2-返回HttpResult

    @PostMapping("tags/{id}/model")public HttpResult changeModelState(@PathVariable Long id, @RequestBody ModelDto modelDto){service.updateModelState(id, modelDto.getState());return new HttpResult(Codes.SUCCESS, "执行成功", null);}

11.2 编写Service服务层代码

//首先根据modelRepo使用id查找对应的信息
//启动任务
//调用engine类中的封装好的方法启动任务
//modelPo调用setName
//停止任务
//调用engine类中的封装好的方法停止任务
//modelPo更新状态,传过来是几修改为几，modelRepo保存oozie的在有关四级标签配置modelPo状态

    @Overridepublic void updateModelState(Long id, Integer state) {ModelPo modelPo = modelRepo.findByTagId(id);if (state == ModelPo.STATE_ENABLE) {//启动流程engine.startModel(convert(modelPo));
//modelPo调用setNamemodelPo.setName(jobid);}if (state == ModelPo.STATE_DISABLE) {//关闭流程engine.stopModel(convert(modelPo));}//更新状态信息modelPo.setState(state);modelRepo.save(modelPo);}

11.3 编写引擎Service层代码

//1-new OozieParam的基本配置
//2-使用OozieUtils根据参数生成配置文件Properties对象
//3-通过标签Id(model)上传配置到HDFS(如coordinator.xml/workflow.xml)
//4-保留一份Properties方便后续如果出错可以查看
//5-运行任务
//6-返回JobId

@Overridepublic void startModel(ModelDto model) {// 设置动态的参数, 例如如何调度, 主类名, jar 的位置OozieParam param = new OozieParam(model.getId(),model.getMainClass(),model.getPath(),model.getArgs(),ModelDto.Schedule.formatTime(model.getSchedule().getStartTime()),ModelDto.Schedule.formatTime(model.getSchedule().getEndTime()));// 生成配置Properties properties = OozieUtils.genProperties(param);// 上传各种配置, workflow.xml, coordinator.xmlOozieUtils.uploadConfig(model.getId());// 因为如果不保留一份 job.properties 的文件, 无法调试错误OozieUtils.store(model.getId(), properties);// 运行 Oozie 任务OozieUtils.start(properties);}@Overridepublic void stopModel(ModelDto model) {}

11.4 测试

根据数据库查看状态信息：
model_main应该从oozie的properties配置中获取

注意：这里根据自己服务器标签可以自主选择，这里选择#蘑菇街女装#消费偏好，对应的tbl_model的tag_id=95
在这里插入图片描述
查看任务状态

oozie job -oozie http://bd001:11000/oozie -info 0000007-191209104842815-oozie-root-C

注意:任务id从控制台或者数据库查看
在这里插入图片描述

停止后可以在重启，观察数据库表变化

从而完成Oozie和SpringBoot整合。
总结：

Oozie支持基于Hadoop的任务调度,稳定成熟,无缝集成Hadoop
Oozie支持任务状态的监控和持久化保存,支持失败流程控制
Oozie支持命令行调度,还支持Rest-API调用

当然Oozie也有一些缺点:界面丑陋,xml文件编写复杂,功能太多,有的用不上较冗余,

注意:Oozie整合Spark的jar有的需要重新编译

任务调度之Oozie详解