BT

如何利用碎片时间提升技术认知与能力? 点击获取答案

跟着示例学Oozie

| 作者 Boris Lublinsky 关注 0 他的粉丝 , Mike Segel 关注 0 他的粉丝 ,译者 侯伯薇 关注 0 他的粉丝 发布于 2011年8月27日. 估计阅读时间: 47 分钟 | 如何结合区块链技术,帮助企业降本增效?让我们深度了解几个成功的案例。

在前一篇文章《Oozie简介》中,我们已经描述了Oozie工作流服务器,并且展示了一个非常简单的工作流示例。我们还描述了针对Oozie的工作流的部署和配置,以及用来启动、停止和监控Oozie工作流的工具。

在本文中,我们会描述一个更加复杂的例子,通过它我们可以讨论更多Oozie特性,并演示如何来使用它们。

定义过程

我们在此描述的工作流会实现汽车GPS探测数据的获取过程。我们每个小时都会以文件的形式把探测数据传递到指定的HDFS目录中[1],其中包含有这个小时之内的所有探测数据。探测数据的获取是每天针对一天内所有的24个文件完成的。如果文件的数量是24,那么获取过程就会启动。否则:

  • 当天什么都不做
  • 对前一天——最多到7天,发送剩下的内容到探测数据提供程序
  • 如果目录的存在时间已达到7天,那么就获取所有可用的探测数据文件。

过程的总体实现请见图1

(点击可以查看大图)。

图1: 过程图

在此,主流程(数据获取流程)首先会为今天以及之前的六天计算出目录的名称,然后启动(fork)七个目录的子过程(子流程)。待所有子过程的状态都变成终止之后,join步骤就会把控制权交给end状态。

子过程启动时,首先会获得关于目录的信息——它的日期以及文件数量。基于这条信息,它会决定是获取数据还是把数据归档,或者发送剩下的邮件,或者不做任何工作。

Directory子过程实现

以下代码负责实现的是directory子过程(代码1)。

<workflow-app xmlns='uri:oozie:workflow:0.1' name='processDir'>

    <start to='getDirInfo' />

    <!-- STEP ONE -->
    <action name='getDirInfo'>
         <!--writes 2 properties: dir.num-files: returns -1 if dir doesn't exist,
             otherwise returns # of files in dir dir.age: returns -1 if dir doesn't exist,
             otherwise returns age of dir in days -->
         <java>
             <job-tracker>${jobTracker}</job-tracker>
             <name-node>${nameNode}</name-node>
             <main-class>com.navteq.oozie.GetDirInfo</main-class>
             <arg>${inputDir}</arg>
             <capture-output />
         </java>
         <ok to="makeIngestDecision" />
         <error to="fail" />
     </action>

     <!-- STEP TWO -->
     <decision name="makeIngestDecision">
         <switch>
             <!-- empty or doesn't exist -->
             <case to="end">
                ${wf:actionData('getDirInfo')['dir.num-files'] lt 0 ||
                (wf:actionData('getDirInfo')['dir.age'] lt 1 and
                wf:actionData('getDirInfo')['dir.num-files'] lt 24)}
             </case>
             <!-- # of files >= 24 -->
             <case to="ingest">
                ${wf:actionData('getDirInfo')['dir.num-files'] gt 23 ||
                wf:actionData('getDirInfo')['dir.age'] gt 6}
             </case>
             <default to="sendEmail"/>
         </switch>
     </decision>

     <!--EMAIL-->
     <action name="sendEmail">
          <java>
             <job-tracker>${jobTracker}</job-tracker>
             <name-node>${nameNode}</name-node>
             <main-class>com.navteq.oozie.StandaloneMailer</main-class>
             <arg>probedata2@navteq.com</arg>
             <arg>gregory.titievsky@navteq.com</arg>
             <arg>${inputDir}</arg>
             <arg>${wf:actionData('getDirInfo')['dir.num-files']}</arg>
             <arg>${wf:actionData('getDirInfo')['dir.age']}</arg>
          </java>
          <ok to="end" />
          <error to="fail" />
     </action>

     <!--INGESTION -->
     <action name="ingest">
          <java>
             <job-tracker>${jobTracker}</job-tracker>
             <name-node>${nameNode}</name-node>
             <prepare>
                 <delete path="${outputDir}" />
             </prepare>
             <configuration>
                 <property>
                    <name>mapred.reduce.tasks</name>
                    <value>300</value>
                 </property>
             </configuration>
             <main-class>com.navteq.probedata.drivers.ProbeIngest</main-class>
             <arg>-conf</arg>
             <arg>action.xml</arg>
             <arg>${inputDir}</arg>
             <arg>${outputDir}</arg>
          </java>
          <ok to=" archive-data" />
          <error to="ingest-fail" />
     </action>

     <!—Archive Data -->
     <action name="archive-data">
          <fs>
             <move source='${inputDir}' target='/probe/backup/${dirName}' />
             <delete path = '${inputDir}' />
          </fs>
          <ok to="end" />
          <error to="ingest-fail" />
     </action>

     <kill name="ingest-fail">
          <message>Ingestion failed, error
            message[${wf:errorMessage(wf:lastErrorNode())}]</message>
     </kill>

     <kill name="fail">
          <message>Java failed, error
            message[${wf:errorMessage(wf:lastErrorNode())}]</message>
     </kill>
     <end name='end' />
</workflow-app>

代码1: Directory子过程

这个子过程的start节点会触发自定义的java节点,这个节点会获得目录信息(代码2)。

package com.navteq.oozie;

import java.io.File;
import java.io.FileOutputStream;
import java.io.OutputStream;
import java.util.GregorianCalendar;
import java.util.Properties;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileStatus;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;

public class GetDirInfo {
    private static final String OOZIE_ACTION_OUTPUT_PROPERTIES = "oozie.action.output.properties";

    public static void main(String[] args) throws Exception {
        String dirPath = args[0];
        String propKey0 = "dir.num-files";
        String propVal0 = "-1";
        String propKey1 = "dir.age";
        String propVal1 = "-1";
        System.out.println("Directory path: '"+dirPath+"'");

        Configuration conf = new Configuration();
        FileSystem fs = FileSystem.get(conf);
        Path hadoopDir = new Path(dirPath);
        if (fs.exists(hadoopDir)){
              FileStatus[] files = FileSystem.get(conf).listStatus(hadoopDir);
              int numFilesInDir = files.length;
              propVal0 = Integer.toString(numFilesInDir);
              long timePassed, daysPassedLong;
              int daysPassed;
              String dirName = hadoopDir.getName();
              String[] dirNameArray = dirName.split("-");
              if (dirNameArray.length == 3) {
                  int year = Integer.valueOf(dirNameArray[0]);
                  int month = Integer.valueOf(dirNameArray[1]) - 1; //months are 0 based
                  int date = Integer.valueOf(dirNameArray[2]);
                  GregorianCalendar dirCreationDate = new GregorianCalendar(year,
                        month, date);
                  timePassed = (new GregorianCalendar()).getTimeInMillis()
                        - dirCreationDate.getTimeInMillis();
                  daysPassed = (int) = timePassed / 1000 / 60 / 60 / 24;;
                  propVal1 = Integer.toString(daysPassed);
              }
        }
        String oozieProp = System.getProperty(OOZIE_ACTION_OUTPUT_PROPERTIES);
        if (oozieProp != null) {
              File propFile = new File(oozieProp);
              Properties props = new Properties();
              props.setProperty(propKey0, propVal0);
              props.setProperty(propKey1, propVal1);
              OutputStream os = new FileOutputStream(propFile);
              props.store(os, "");
              os.close();
        } else
              throw new RuntimeException(OOZIE_ACTION_OUTPUT_PROPERTIES
                        + " System property not defined");
    }
}

代码2: 获得目录信息的节点

这个类会获得目录名作为输入的参数,并首先检查该目录是否存在。如果目录不存在,那么存在时间(age)和文件数量都会返回-1,否则,这两个值就会返回给子过程。

子过程的下一步是一个switch(决定)声明,它会决定如何处理目录。如果目录不存在(文件数 < 0),或者是当前日期(存在时间 < 1)并且文件数量少于24(文件数 < 24),那么子过程就会直接转换到终止状态。如果所有文件都位于子目录中(文件数 > 23)或者目录是在至少七天前创建的(存在时间 > 6),那么就会有如下操作:

  • 使用现存的Map/reduce程序[2]获取数据
  • 目录会备份在数据归档中,然后删除

对action节点的其它配置

获取动作向你展示了另外一些Oozie配置参数,包括:
  • Prepare——如果出现了prepare参数,就意味着在启动作业(job)之前会删除路径列表。这应该专门用于清理目录。删除操作会在fs.default.name文件系统中执行。
  • Configuration——如果出现了configuration元素,它其中就会包含针对Map/Reduce 作业的JobConf属性。它不仅可以用于map/reduce动作, 而且还可以用于启动map/reduce作业的java动作。

如果不是以上两种情况,那么子过程就会发送剩余的邮件,然后退出。邮件是作为另一个java主类实现的(代码3)。

package com.navteq.oozie;

import java.util.Properties;
import javax.mail.Message;
import javax.mail.Session;
import javax.mail.Transport;
import javax.mail.internet.InternetAddress;
import javax.mail.internet.MimeMessage;

public class StandaloneMailer {

    private static String _mServer = "imailchi.navtech.com";
    private static Properties _props = null;

    private StandaloneMailer(){}

    public static void init(String mServer){

        _mServer = mServer;
        _props = new Properties();
        _props.setProperty("mail.smtp.host", _mServer);
    }

    public static void SendMail(String subject, String message, String from, String to) throws Exception {

     // create some properties and get the default Session
     Session session = Session.getDefaultInstance(_props, null);

     // create a message
     Message msg = new MimeMessage(session);

     // set the from and to address
     InternetAddress addressFrom = new InternetAddress(from);
     msg.setFrom(addressFrom);

     String [] recipients = new String[] {to};
     InternetAddress[] addressTo = new InternetAddress[recipients.length];
     for (int i = 0; i < recipients.length; i++){
       addressTo[i] = new InternetAddress(recipients[i]);
     }
     msg.setRecipients(Message.RecipientType.TO, addressTo);

     // Setting the Subject and Content Type
     msg.setSubject(subject);
     msg.setContent(message, "text/plain");
     Transport.send(msg);
    }

    public static void main (String[] args) throws Exception {
        if (args.length ==5){
             init(_mServer);
             StringBuilder subject = new StringBuilder();
             StringBuilder body = new StringBuilder();
             subject.append("Directory ").append(args[2]).append(" contains").append(args[3]).append(" files.");
             body.append("Directory ").append(args[2]).append(" is ").append(args[4]).
             append(" days old and contains only ").append(args[3]).append(" files instead of 24.");
             SendMail(subject.toString(), body.toString(), args[0], args[1]);
        }
        else throw new Exception("Invalid number of parameters provided for email");
    }
}

列表3: 发送提醒邮件

这是使用了javax.mail API的简单实现,用于发送邮件。

主过程的实现

我们已经实现了子过程,然后,对主过程的实现就变得非常简单了(列表4)[3]

<workflow-app xmlns='uri:oozie:workflow:0.1' name='processDirsWF'>

    <start to='getDirs2Process' />

    <!-- STEP ONE -->
    <action name='getDirs2Process'>
         <!--writes 2 properties: dir.num-files: returns -1 if dir doesn't exist,
              otherwise returns # of files in dir dir.age: returns -1 if dir doesn't exist,
              otherwise returns age of dir in days -->
         <java>
              <job-tracker>${jobTracker}</job-tracker>
              <name-node>${nameNode}</name-node>
              <main-class>com.navteq.oozie.GenerateLookupDirs</main-class>
              <capture-output />
         </java>
         <ok to="forkSubWorkflows" />
         <error to="fail" />
    </action>

    <fork name="forkSubWorkflows">
       <path start="processDir0"/>
       <path start="processDir1"/>
       <path start="processDir2"/>
       <path start="processDir3"/>
       <path start="processDir4"/>
       <path start="processDir5"/>
       <path start="processDir6"/>
       <path start="processDir7"/>
    </fork>

    <action name="processDir0">
         <sub-workflow>
             <app-path>hdfs://sachicn001:8020/user/gtitievs/workflows/ingest</app-path>
             <configuration>
                <property>
                    <name>inputDir</name>
                    <value>hdfs://sachicn001:8020/user/data/probedev/files/${wf:actionData('getDirs2Process')['dir0']}</value>
                </property>
                <property>
                    <name>outputDir</name>
                    <value>hdfs://sachicn001:8020/user/gtitievs/probe-output/${wf:actionData('getDirs2Process')['dir0']}</value>
                </property>
                <property>
                    <name>jobTracker</name>
                    <value>${jobTracker}</value>
                </property>
                <property>
                    <name>nameNode</name>
                    <value>${nameNode}</value>
                </property>
                <property>
                    <name>activeDir</name>
                    <value>hdfs://sachicn001:8020/user/gtitievs/test-activeDir</value>
                </property>
                <property>
                    <name>dirName</name>
                    <value>${wf:actionData('getDirs2Process')['dir0']}</value>
                </property>
            </configuration>
        </sub-workflow>
        <ok to="joining"/>
        <error to="fail"/>
    </action>
….
     <action name="processDir7">
          <sub-workflow>
             <app-path>hdfs://sachicn001:8020/user/gtitievs/workflows/ingest</app-path>
                 <configuration>
                   <property>
                     <name>inputDir</name>
                     <value>hdfs://sachicn001:8020/user/data/probedev/files/${wf:actionData('getDirs2Process')['dir7']}</value>
                   </property>
                   <property>
                     <name>outputDir</name>
                     <value>hdfs://sachicn001:8020/user/gtitievs/probe-output/${wf:actionData('getDirs2Process')['dir7']}</value>
                   </property>
                   <property>
                     <name>dirName</name>
                     <value>${wf:actionData('getDirs2Process')['dir7']}</value>
                   </property>
               </configuration>
          </sub-workflow>
          <ok to="joining"/>
          <error to="fail"/>
     </action>

     <join name="joining" to="end"/>

     <kill name="fail">
          <message>Java failed, error
             message[${wf:errorMessage(wf:lastErrorNode())}]</message>
     </kill>
     <end name='end' />
</workflow-app>

代码4: 数据获取主过程

这个过程首先会触发java节点,计算需要处理的目录列表(列表5),然后对每个目录执行子过程,从而处理给定的目录。

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 {

    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5: 目录计算程序

结论

在这篇文章中,我们向你展示了一个更复杂的完整的工作流示例,它让我们可以演示更多的Oozie特性以及对它们的应用。在下一篇文章中,我们会讨论构建可重用的Oozie组件库,并使用自定义的节点扩展Oozie。

致谢

非常感谢我们在Navteq的同事Gregory Titievsky,他为我们实现了大部分代码。

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。

参考信息

1. Boris LublinskyMike Segel 《Oozie简介》


[1] 目录的名称是搜集这条数据的日期。

[2] 这是已经存在的程序,对它的描述与本文无关。

[3] 在此省略了一些重复代码。

查看英文原文:Oozie by Example


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。

评价本文

专业度
风格

您好,朋友!

您需要 注册一个InfoQ账号 或者 才能进行评论。在您完成注册后还需要进行一些设置。

获得来自InfoQ的更多体验。

告诉我们您的想法

允许的HTML标签: a,b,br,blockquote,i,li,pre,u,ul,p

当有人回复此评论时请E-mail通知我
社区评论

允许的HTML标签: a,b,br,blockquote,i,li,pre,u,ul,p

当有人回复此评论时请E-mail通知我

允许的HTML标签: a,b,br,blockquote,i,li,pre,u,ul,p

当有人回复此评论时请E-mail通知我

讨论

登陆InfoQ,与你最关心的话题互动。


找回密码....

Follow

关注你最喜爱的话题和作者

快速浏览网站内你所感兴趣话题的精选内容。

Like

内容自由定制

选择想要阅读的主题和喜爱的作者定制自己的新闻源。

Notifications

获取更新

设置通知机制以获取内容更新对您而言是否重要

BT