为什么需要工作流调度系统？

  • 一个完整的数据分析系统通常都是由大量任务单元组成：shell脚本程序，java程序，mapreduce程序、hive脚本等
  • 各任务单元之间存在时间先后及前后依赖关系
  • 为了很好地组织起这样的复杂执行计划，需要一个工作流调度系统来调度执行；

例如，我们可能有这样一个需求，某个业务系统每天产生20G原始数据，我们每天都要对其进行处理，处理步骤如下所示：

1. 通过Hadoop先将原始数据同步到HDFS上；

2. 借助MapReduce计算框架对原始数据进行转换，生成的数据以分区表的形式存储到多张Hive表中；

3. 需要对Hive中多个表的数据进行JOIN处理，得到一个明细数据Hive大表；

4. 将明细数据进行复杂的统计分析，得到结果报表信息；

5. 需要将统计分析得到的结果数据同步到业务系统中，供业务调用使用。

工作流调度实现方式

简单的任务调度：直接使用linux的crontab来定义；

复杂的任务调度：开发调度平台,或使用现成的开源调度系统，比如ooize、azkaban等

常见工作流调度系统

市面上目前有许多工作流调度器
在hadoop领域，常见的工作流调度器有Oozie, Azkaban,Cascading,Hamake等。

各种调度工具特性对比

下面的表格对上述四种hadoop工作流调度器的关键特性进行了比较，尽管这些工作流调度器能够解决的需求场景基本一致，但在设计理念，目标用户，应用场景等方面还是存在显著的区别，在做技术选型的时候，可以提供参考：

65 Hadoop工作流调度系统_# 云计算/大数据

Azkaban与Oozie对比

对市面上最流行的两种调度器，给出以下详细对比，以供技术选型参考。总体来说，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。详情如下：

功能:
两者均可以调度mapreduce,pig,java,脚本工作流任务
两者均可以定时执行工作流任务

工作流定义：

  • Azkaban使用Properties文件定义工作流
  • Oozie使用XML文件定义工作流

工作流传参：

  • Azkaban支持直接传参，例如${input}
  • Oozie支持参数和EL表达式，例如${fs:dirSize(myInputDir)}

定时执行:

  • Azkaban的定时执行任务是基于时间的
  • Oozie的定时执行任务基于时间和输入数据

资源管理:

  • 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
  • Oozie暂无严格的权限控制

工作流执行:

  • Azkaban有两种运行模式，分别是solo server mode(executor server和web server部署在同一台节点)和multi server mode(executor server和web server可以部署在不同节点)
  • Oozie作为工作流服务器运行，支持多用户和多工作流

工作流管理:

  • Azkaban支持浏览器以及ajax方式操作工作流
  • Oozie支持命令行、HTTP REST、Java API、浏览器操作工作流

Azkaban介绍

Azkaban是由Linkedin开源的一个批量工作流任务调度器。用于在一个工作流内以一个特定的顺序运行一组工作和流程。Azkaban定义了一种KV文件格式来建立任务之间的依赖关系，并提供一个易于使用的web用户界面维护和跟踪你的工作流。
它有如下功能特点：

  • Web用户界面
  • 方便上传工作流
  • 方便设置任务之间的关系
  • 调度工作流
  • 认证/授权(权限的工作)
  • 能够杀死并重新启动工作流
  • 模块化和可插拔的插件机制
  • 项目工作区
  • 工作流和任务的日志记录和审计