第9章

　　?定期自動執(zhí)行ETL作業(yè)?

　　一旦數(shù)據(jù)倉庫開始使用，就需要不斷從源系統(tǒng)給數(shù)據(jù)倉庫提供新數(shù)據(jù)。為了確保數(shù)據(jù)流的穩(wěn)定，需要使用所在平臺上可用的任務調(diào)度器來調(diào)度ETL定期執(zhí)行。調(diào)度模塊是ETL系統(tǒng)必不可少的組成部分，它不但是數(shù)據(jù)倉庫的基本需求，也對項目的成功起著舉足輕重的作用。

　　操作系統(tǒng)一般都為用戶提供調(diào)度作業(yè)的功能，如Windows的“計劃任務”和UNIX/Linux的cron系統(tǒng)服務。絕大多數(shù)Hadoop系統(tǒng)都運行在Linux之上，因此本章詳細討論兩種Linux上定時自動執(zhí)行ETL作業(yè)的方案。一種是經(jīng)典的crontab，這是操作系統(tǒng)自帶的功能，二是Hadoop生態(tài)圈中的Oozie組件。為了演示Hadoop對數(shù)據(jù)倉庫的支持能力，我們的示例將使用后者實現(xiàn)ETL執(zhí)行自動化。

　　9.1crontab

　　上一章我們已經(jīng)準備好用于定期裝載的regular_etl.shshell腳本文件，可以很容易地用crontab命令創(chuàng)建一個任務，定期運行此腳本。

　　#修改文件屬性為可執(zhí)行

　　chmod755/root/regular_etl.sh

　　#編輯crontab文件內(nèi)容

　　crontab-e

　　#添加如下一行，指定每天2點執(zhí)行定期裝載作業(yè)，然后保存退出

　　02***/root/regular_etl.sh

　　這就可以了，需要用戶做的就是如此簡單，其他的事情交給cron系統(tǒng)服務去完成。提供cron服務的進程名為crond，這是Linux下一個用來周期性執(zhí)行某種任務或處理某些事件的守護進程。當安裝完操作系統(tǒng)后，會自動啟動crond進程，它每分鐘會定期檢查是否有要執(zhí)行的任務，如果有則自動執(zhí)行該任務。

　　Linux下的任務調(diào)度分為兩類，系統(tǒng)任務調(diào)度和用戶任務調(diào)度。

　　?系統(tǒng)任務調(diào)度：系統(tǒng)需要周期性執(zhí)行的工作，比如寫緩存數(shù)據(jù)到硬盤、日志清理等。在/etc目錄下有一個crontab文件，這個就是系統(tǒng)任務調(diào)度的配置文件。

　　?用戶任務調(diào)度：用戶要定期執(zhí)行的工作，比如用戶數(shù)據(jù)備份、定時郵件提醒等。用戶可以使用crontab命令來定制自己的計劃任務。所有用戶定義的crontab文件都被保存在/var/spool/cron目錄中，其文件名與用戶名一致。

　　1.crontab權(quán)限

　　Linux系統(tǒng)使用一對allow/deny文件組合判斷用戶是否具有執(zhí)行crontab的權(quán)限。如果用戶名出現(xiàn)在/etc/cron.allow文件中，則該用戶允許執(zhí)行crontab命令。如果此文件不存在，那么如果用戶名沒有出現(xiàn)在/etc/cron.deny文件中，則該用戶允許執(zhí)行crontab命令。如果只存在cron.deny文件，并且該文件是空的，則所有用戶都可以使用crontab命令。如果這兩個文件都不存在，那么只有root用戶可以執(zhí)行crontab命令。allow/deny文件由每行一個用戶名構(gòu)成。

　　2.crontab命令

　　通過crontab命令，我們可以在固定間隔的時間點執(zhí)行指定的系統(tǒng)指令或shell腳本。時間間隔的單位可以是分鐘、小時、日、月、周及以上的任意組合。crontab命令格式如下：

　　crontab[-uuser]file

　　crontab[-uuser][-e|-l|-r]

　　說明：

　　?-uuser：用來設定某個用戶的crontab服務，此參數(shù)一般由root用戶使用。

　　?file：file是命令文件的名字，表示將file作為crontab的任務列表文件并載入crontab。如果在命令行中沒有指定這個文件，crontab命令將接受標準輸入，通常是鍵盤上鍵入的命令，并將它們載入crontab。

　　?-e：編輯某個用戶的crontab文件內(nèi)容。如果不指定用戶，則表示編輯當前用戶的crontab文件。如果文件不存在，則創(chuàng)建一個。

　　?-l：顯示某個用戶的crontab文件內(nèi)容，如果不指定用戶，則表示顯示當前用戶的crontab文件內(nèi)容。

　　?-r：從/var/spool/cron目錄中刪除某個用戶的crontab文件，如果不指定用戶，則默認刪除當前用戶的crontab文件。

　　注意：如果不經(jīng)意地輸入了不帶任何參數(shù)的crontab命令，不要使用Control-d退出，因為這會刪除用戶所對應的crontab文件中的所有條目。代替的方法是用Control-c退出。

　　3.crontab文件

　　用戶所建立的crontab文件中，每一行都代表一項任務，每行的每個字段代表一項設置。它的格式共分為六個字段，前五段是時間設定段，第六段是要執(zhí)行的命令段，格式如下：

　　.----------------分鐘（0-59）

　　|.-------------小時（0-23）

　　||.----------日期（1-31）

　　|||.-------月份（1-12）

　　||||.----星期（0-6，代表周日到周一）

　　|||||

　　*****要執(zhí)行的命令，可以是系統(tǒng)命令，也可以是自己編寫的腳本文件。

　　在以上各個時間字段中，還可以使用如下特殊字符：

　　?星號（*）：代表所有可能的值，例如“月份”字段如果是星號，則表示在滿足其他字段的制約條件后每月都執(zhí)行該命令操作。

　　?逗號（,）：可以用逗號隔開的值指定一個列表范圍，例如，“1,2,5,7,8,9”。

　　?中杠（-）：可以用整數(shù)之間的中杠表示一個整數(shù)范圍，例如“2-6”表示“2,3,4,5,6”。

　　?正斜線（/）：可以用正斜線指定時間的間隔頻率，例如“0-23/2”表示每兩小時執(zhí)行一次。同時正斜線可以和星號一起使用，例如*/10，如果用在“分鐘”字段，表示每十分鐘執(zhí)行一次。

　　注意，“日期”和“星期”字段都可以指定哪天執(zhí)行，如果兩個字段都設置了，則執(zhí)行的日期是兩個字段的并集。

　　4.crontab示例

　　#每1分鐘執(zhí)行一次command

　　*****command

　　#每小時的第3和第15分鐘執(zhí)行

　　3,15****command

　　#在上午8點到11點的第3和第15分鐘執(zhí)行

　　3,158-11***command

　　#每隔兩天的上午8點到11點的第3和第15分鐘執(zhí)行

　　3,158-11*/2**command

　　#每個星期一的上午8點到11點的第3和第15分鐘執(zhí)行

　　3,158-11**1command

　　#每晚的21:30執(zhí)行

　　3021***command

　　#每月1、10、22日的4:45執(zhí)行

　　4541,10,22**command

　　#每周六、周日的1:10執(zhí)行

　　101**6,0command

　　#每天18:00至23:00之間每隔30分鐘執(zhí)行

　　0,3018-23***command

　　#每星期六的晚上11:00執(zhí)行

　　023**6command

　　#每一小時執(zhí)行一次

　　**/1***command

　　#晚上11點到早上7點之間，每隔一小時執(zhí)行一次

　　*23-7/1***command

　　#每月的4號與每周一到周三的11點執(zhí)行

　　0114*1-3command

　　#一月一號的4點執(zhí)行

　　0411*command

　　#每小時執(zhí)行/etc/cron.hourly目錄內(nèi)的腳本

　　01****rootrun-parts/etc/cron.hourly

　　說明：run-parts會遍歷目標文件夾，執(zhí)行第一層目錄下具有可執(zhí)行權(quán)限的文件。

　　5.crontab環(huán)境

　　有時我們創(chuàng)建了一個crontab任務，但是這個任務卻無法自動執(zhí)行，而手動執(zhí)行腳本卻沒有問題，這種情況一般是由于在crontab文件中沒有配置環(huán)境變量引起的。cron從用戶所在的主目錄中使用shell調(diào)用需要執(zhí)行的命令。cron為每個shell提供了一個默認的環(huán)境，Linux下的定義如下：

　　SHELL=/bin/bash

　　PATH=/sbin:/bin:/usr/sbin:/usr/bin

　　MAILTO=用戶名

　　HOME=用戶主目錄

　　在crontab文件中定義多個調(diào)度任務時，需要特別注意的一個問題就是環(huán)境變量的設置，因為我們手動執(zhí)行某個腳本時，是在當前shell環(huán)境下進行的，程序能找到環(huán)境變量；而系統(tǒng)自動執(zhí)行任務調(diào)度時，除了默認的環(huán)境，是不會加載任何其他環(huán)境變量的。因此就需要在crontab文件中指定任務運行所需的所有環(huán)境變量。

　　不要假定cron知道所需要的特殊環(huán)境，它其實并不知道。所以用戶要保證在shell腳本中提供所有必要的路徑和環(huán)境變量，除了一些自動設置的全局變量。以下三點需要注意：

　　?腳本中涉及文件路徑時寫絕對路徑；

　　?腳本執(zhí)行要用到環(huán)境變量時，通過source命令顯式引入，例如：

　　#!/bin/sh

　　source/etc/profile

　　?當手動執(zhí)行腳本沒問題，但是crontab不執(zhí)行時，可以嘗試在crontab中直接引入環(huán)境變量解決問題，例如：

　　0****./etc/profile;/bin/sh/path/to/myscript.sh

　　6.重定向輸出郵件

　　默認時，每條任務調(diào)度執(zhí)行完畢，系統(tǒng)都會將任務輸出信息通過電子郵件的形式發(fā)送給當前系統(tǒng)用戶。這樣日積月累，日志信息會非常大，可能會影響系統(tǒng)的正常運行。因此，將每條任務進行重定向處理非常重要�？梢栽赾rontab文件中設置如下形式，忽略日志輸出：

　　0*/3***/usr/local/myscript.sh>/dev/null2>&1

　　“>/dev/null2>&1”表示先將標準輸出重定向到/dev/null，然后將標準錯誤重定向到標準輸出。由于標準輸出已經(jīng)重定向到了/dev/null，因此標準錯誤也會重定向到/dev/null，這樣日志輸出問題就解決了。

　　7.生成日志文件

　　可以將crontab執(zhí)行任務的輸出信息重定向到一個自定義的日志文件中，例如：

　　8***rm/home/someuser/tmp/*>/home/someuser/cronlogs/clean_tmp_dir.log

　　9.2Oozie簡介

　　除了利用操作系統(tǒng)提供的功能以外，Hadoop生態(tài)圈的工具也可以完成同樣的調(diào)度任務，而且更靈活，這個組件就是Oozie。

　　Oozie是一個管理Hadoop作業(yè)、可伸縮、可擴展、可靠的工作流調(diào)度系統(tǒng)，它內(nèi)部定義了三種作業(yè)：工作流作業(yè)、協(xié)調(diào)器作業(yè)和Bundle作業(yè)。工作流作業(yè)是由一系列動作構(gòu)成的有向無環(huán)圖（DAGs），協(xié)調(diào)器作業(yè)是按時間頻率周期性觸發(fā)Oozie工作流的作業(yè)，Bundle管理協(xié)調(diào)器作業(yè)。Oozie支持的用戶作業(yè)類型有Javamap-reduce、Streamingmap-reduce、Pig、Hive、Sqoop和Distcp，及其Java程序和shell腳本或命令等特定的系統(tǒng)作業(yè)。

　　Oozie項目經(jīng)歷了三個主要階段。第一版Oozie是一個基于工作流引擎的服務器，通過執(zhí)行HadoopMapReduce和Pig作業(yè)的動作運行工作流作業(yè)。第二版Oozie是一個基于協(xié)調(diào)器引擎的服務器，按時間和數(shù)據(jù)觸發(fā)工作流執(zhí)行。它可以基于時間（如每小時執(zhí)行一次）或數(shù)據(jù)可用性（如等待輸入數(shù)據(jù)完成后再執(zhí)行）連續(xù)運行工作流。第三版Oozie是一個基于Bundle引擎的服務器。它提供更高級別的抽象，批量處理一系列協(xié)調(diào)器應用。用戶可以在bundle級別啟動、停止、掛起、繼續(xù)、重做協(xié)調(diào)器作業(yè)，這樣可以更好地簡化操作控制。

　　使用Oozie主要基于以下兩點原因：

　　?在Hadoop中執(zhí)行的任務有時候需要把多個MapReduce作業(yè)連接到一起執(zhí)行，或者需要多個作業(yè)并行處理。Oozie可以把多個MapReduce作業(yè)組合到一個邏輯工作單元中，從而完成更大型的任務。

　　?從調(diào)度的角度看，如果使用crontab的方式調(diào)用多個工作流作業(yè)，可能需要編寫大量的腳本，還要通過腳本來控制好各個工作流作業(yè)的執(zhí)行時序問題，不但不好維護，而且監(jiān)控也不方便�；�于這樣的背景，Oozie提出了Coordinator的概念，它能夠?qū)⒚總�工作流作業(yè)作為一個動作來運行，相當于工作流定義中的一個執(zhí)行節(jié)點，這樣就能夠?qū)⒍鄠�工作流作業(yè)組成一個稱為CoordinatorJob的作業(yè)，并指定觸發(fā)時間和頻率，還可以配置數(shù)據(jù)集、并發(fā)數(shù)等。

　　9.2.1Oozie的體系結(jié)構(gòu)

　　Oozie的體系結(jié)構(gòu)如圖9-1所示。

　　圖9-1Oozie體系結(jié)構(gòu)

　　Oozie是一種JavaWeb應用程序，它運行在JavaServlet容器，即Tomcat中，并使用數(shù)據(jù)庫來存儲以下內(nèi)容：

　　?工作流定義。

　　?當前運行的工作流實例，包括實例的狀態(tài)和變量。

　　Oozie工作流是放置在DAG（有向無環(huán)圖DirectAcyclicGraph）中的一組動作，例如，Hadoop的Map/Reduce作業(yè)、Pig作業(yè)等。DAG控制動作的依賴關系，指定了動作執(zhí)行的順序。Oozie使用hPDL這種XML流程定義語言來描述這個圖。

　　hPDL是一種很簡潔的語言，它只會使用少數(shù)流程控制節(jié)點和動作節(jié)點。控制節(jié)點會定義執(zhí)行的流程，并包含工作流的起點和終點（start、end和fail節(jié)點）以及控制工作流執(zhí)行路徑的機制（decision、fork和join節(jié)點）。動作節(jié)點是實際執(zhí)行操作的部分，通過它們工作流會觸發(fā)執(zhí)行計算或者處理任務。Oozie為以下類型的動作提供支持：HadoopMapReduce、HadoopHDFS、Pig、Java和Oozie的子工作流。而SSH動作已經(jīng)從Oozieschema0.2之后的版本中移除了。

　　所有由動作節(jié)點觸發(fā)的計算和處理任務都不在Oozie中運行。它們是由Hadoop的MapReduce框架執(zhí)行的。這種低耦合的設計方法讓Oozie可以有效利用Hadoop的負載平衡、災難恢復等機制。這些任務主要是串行執(zhí)行的，只有文件系統(tǒng)動作例外，它是并行處理的。這意味著對于大多數(shù)工作流動作觸發(fā)的計算或處理任務類型來說，在工作流操作轉(zhuǎn)換到工作流的下一個節(jié)點之前都需要等待，直到前面節(jié)點的計算或處理任務結(jié)束了之后才能夠繼續(xù)。Oozie可以通過兩種不同的方式來檢測計算或處理任務是否完成，這就是回調(diào)和輪詢。當Oozie啟動了計算或處理任務時，它會為任務提供唯一的回調(diào)URL，然后任務會在完成的時候發(fā)送通知給這個特定的URL。在任務無法觸發(fā)回調(diào)URL的情況下（可能是因為任何原因，比方說網(wǎng)絡閃斷），或者當任務的類型無法在完成時觸發(fā)回調(diào)URL的時候，Oozie有一種機制，可以對計算或處理任務進行輪詢，從而能夠判斷任務是否完成。

　　Oozie工作流可以參數(shù)化，例如在工作流定義中使用像${inputDir}之類的變量等。在提交工作流操作的時候，我們必須提供參數(shù)值。如果經(jīng)過合適地參數(shù)化，比如使用不同的輸出目錄，那么多個同樣的工作流操作可以并發(fā)執(zhí)行。

　　一些工作流是根據(jù)需要觸發(fā)的，但是大多數(shù)情況下，我們有必要基于一定的時間段、數(shù)據(jù)可用性或外部事件來運行它們。Oozie協(xié)調(diào)系統(tǒng)（Coordinatorsystem）讓用戶可以基于這些參數(shù)來定義工作流執(zhí)行計劃。Oozie協(xié)調(diào)程序讓我們可以用謂詞的方式對工作流執(zhí)行觸發(fā)器進行建模，謂詞可以是時間條件、數(shù)據(jù)條件、內(nèi)部事件或外部事件。工作流作業(yè)會在謂詞得到滿足的時候啟動。不難看出，這里的謂詞，其作用和SQL語句的WHERE子句中的謂詞類似，本質(zhì)上都是在滿足某些條件時觸發(fā)某種事件。

　　有時，我們還需要連接定時運行、但時間間隔不同的工作流操作。多個以不同頻率運行的工作流的輸出會成為下一個工作流的輸入。把這些工作流連接在一起，會讓系統(tǒng)把它作為數(shù)據(jù)應用的管道來引用。Oozie協(xié)調(diào)程序支持創(chuàng)建這樣的數(shù)據(jù)應用管道。

　　9.2.2CDH5.7.0中的Oozie

　　CDH5.7.0中，Oozie的版本是4.1.0，其元數(shù)據(jù)存儲使用MySQL（4.4節(jié)CDH安裝中有相關配置）。關于CDH5.7.0中Oozie的屬性，參考以下鏈接：

　　https://www.cloudera.com/documentation/enterprise/latest/topics/cm_props_cdh570_oozie.html

　　9.3建立定期裝載工作流

　　對于剛接觸Oozie的用戶來說，前面介紹的概念過于抽象，不易理解，那么就讓我們一步步創(chuàng)建銷售訂單示例ETL的工作流，在實例中學習Oozie的特性和用法。

　　1.修改資源配置

　　Oozie運行需要使用較高的內(nèi)存資源，因此要將以下兩個YARN參數(shù)的值調(diào)大：

　　?yarn.nodemanager.resource.memory-mb：NodeManage總的可用物理內(nèi)存。

　　?yarn.scheduler.maximum-allocation-mb：一個MapReduce任務可申請的最大內(nèi)存。

　　如果分配的內(nèi)存不足，在執(zhí)行工作流作業(yè)時會報類似下面的錯誤：

　　org.apache.oozie.action.ActionExecutorException:JA009:org.apache.hadoop.yarn.exceptions.InvalidResourceRequestException:Invalidresourcerequest,requestedmemory<0,orrequestedmemory>maxconfigured,requestedMemory=1536,maxMemory=1500

　　我們的實驗環(huán)境中，每個Hadoop節(jié)點所在虛擬機的總物理內(nèi)存為8GB，所以把這兩個參數(shù)都設置為2GB。修改的方法有兩種，可以編輯yarn-site.xml文件里的屬性，如：

　　yarn.nodemanager.resource.memory-mb

　　2000

　　yarn.scheduler.maximum-allocation-mb

　　2000

　　或者在ClouderaManager中修改，yarn.nodemanager.resource.memory-mb參數(shù)在YARN服務的NodeManager范圍里，yarn.scheduler.maximum-allocation-mb參數(shù)在YARN服務的ResourceManager范圍里。無論使用哪種方法，修改后都需要保存更改并重啟Hadoop集群。

　　2.啟用OozieWebConsole

　　默認安裝CDH時，OozieWebConsole是禁用的，為了后面方便監(jiān)控Oozie作業(yè)的執(zhí)行，需要將其改為啟用狀態(tài)。“啟用Oozie服務器Web控制臺”屬性在Oozie服務的“OozieServerDefaultGroup”里。具體的做法是：

　　下載ext-2.2包，解壓縮到Oozie服務器實例所在節(jié)點的/var/lib/oozie/目錄下。

　　登錄ClouderaManager管理控制臺，進入Oozie服務頁面。

　　單擊“配置”標簽。

　　定位“啟用Oozie服務器Web控制臺”屬性，或者在搜索框中輸入該屬性名查找。

　　選擇“啟用Oozie服務器Web控制臺”的復選框。

　　單擊“保存更改”按鈕提交所做的修改。

　　重啟Oozie服務。

　　3.啟動Sqoop的sharemetastoreservice

　　……