用Crontab打造简易工作流引擎

1. 引言

众所周知，Oozie（1, 2）是基于时间条件与数据生成来做工作流调度的，但是Oozie的数据触发条件只支持HDFS路径，故而面临着这样的问题：

• 无法判断Hive partition是否已存在；
• 无法判断Elasticsearch index是否已写入完成；
• ...

因此，灵活可扩展的工作流引擎才是正确姿势！下面，我将介绍如何用Crontab来打造一个类似于Oozie的简易工作流引擎；对标Oozie，其应满足功能：

• 时间条件与数据生成触发任务，如Oozie coordinator的datasets与input-events；
• 支持触发条件的轮询；
• 支持任务并行执行，如Oozie workflow的fork与join；
• 捕获错误及运行状态日志。

2. 实现

触发条件

判断Hive partition是否已存在，思路比较简单——show partitions <tb_name>后能否grep到该partition：

# check wheter $1's partition ($2) exists
hive_partition_exists() {
    table_name=$1
    partition=$2
    hive -e "show partitions ${table_name}" | grep ${partition}
    [ $? == 0 ]
}

获取Hive 表的最后一个partition，grep命令配合正则表达式中的Lookahead匹配：

# get latest hive partition
latest_hive_partition() {
    table_name=$1
    partition_name=$2
    hive -e "show partitions ${table_name}" | tail -1 | grep -Po "(?<=${partition_name}=).*"
}

在检查ES index是否写入完成时，可用思路——定时flush index，然后判断当前时刻的doc数较上一时刻是否发生变化；若变化，则说明正在写入。Shell脚本处理json太蛋疼了，故不给出代码啦。

条件轮询

所谓“条件轮询”，是指如果数据未生成，则会一直轮询该条件是否满足。我们采用while循环中sleep的方式来实现条件轮询：

hive_partition_exists etl.ad_tb1 ${log_partition}
ad1_exists=$?
hive_partition_exists etl.ad_tb2 ${log_partition}
ad2_exists=$?
while (( ${ad1_exists} != 0 || ${ad2_exists} != 0))
do
    echo "`date -d "now"`: log partitions ${log_partition} not exist, and waiting" >> ${log_path}
    sleep 1m
    hive_partition_exists etl.ad_tb1 ${log_partition}
    ad1_exists=$?
    hive_partition_exists etl.ad_tb2 ${log_partition}
    ad2_exists=$?
done

实例

接下来，以Hive写Elasticsearch的为例，说明如何用crontab做定时Hive任务。hiveql脚本如下：

add jar /path/to/jars/elasticsearch-hadoop-2.3.1.jar;
set mapred.job.name=ad_tag-${LOG_PARTITION}~~${TAG_PARTITION};
set hive.map.aggr = false;

insert overwrite table ad_tag
select media, a.dvc as dvc, case when c1_arr is null then array('empty') else c1_arr end as c1_arr, '${LOG_PARTITION}' as week_time
from (
select dvc, app_name as media
from ad_log
where is_exposure = '1' and day_time between date_sub('${LOG_PARTITION}', 6) and '${LOG_PARTITION}'
group by dvc, app_name
) a 
left outer join (
select dvc, collect_set(c1) as c1_arr
from tag
lateral view inline(tag) in_tb
where day_time = '${TAG_PARTITION}'
group by dvc
) b
on a.dvc = b.dvc;

为了实现任务的并行执行，我用到Linux命令中的&：

log_partition=`date -d "5 day ago" "+%Y-%m-%d"`
tag_partition=$(latest_hive_partition tag.dmp_tag  day_time)
log_path="${log_partition}.log"

echo "`date -d "now"`: log partitions ${log_partition} exist" >> ${log_path}
echo "`date -d "now"`: latest tag partition ${tag_partition}" >> ${log_path}
hive -f ad_tag1.hql --hivevar LOG_PARTITION=${log_partition} --hivevar TAG_PARTITION=${tag_partition} & hive -f ad_tag2.hql --hivevar LOG_PARTITION=${log_partition} --hivevar TAG_PARTITION=${tag_partition}

exit 1

PS: 当手动执行脚本是OK的，但是crontab去执行时却出错，最可能的原因是crontab未能正确加载用户的环境变量；故可以在运行脚本中加入：

source /etc/profile
source /path/to/.bashrc

---

但是，用crontab做工作流调度，会存在如下问题：

• 无法很好地管理任务之间的依赖关系；
• 无法更好地监控任务的运行状况；
• 因Shell脚本的编程处理能力的限制，无法更自由地做扩展。