如何使用Hue上创建一个完整Oozie工作流

1.文档编写目的

---

在使用CDH集群中经常会有一些特定顺序的作业需要在集群中运行，对于需要多个作业顺序执行的情况下，如何能够方便的构建一个完整的工作流在CDH集群中执行，前面Fayson也讲过关于Hue创建工作流的一系列文章具体可以参考《如何使用Hue创建Spark1和Spark2的Oozie工作流》、《如何使用Hue创建Spark2的Oozie工作流（补充）》、《如何在Hue中创建Ssh的Oozie工作流》。本篇文章主要讲述如何使用Hue创建一个以特定顺序运行的Oozie工作流。本文工作流程如下：

• 内容概述

1.作业描述

2.使用Hue创建Oozie工作流

3.工作流测试

• 测试环境

1.CM和CDH版本为5.11.2

2.采用sudo权限的ec2-user用户操作

3.集群已启用Kerberos

• 前置条件

1.集群已安装Hue服务

2.集群已安装Oozie服务

2.创建一个Parquet格式的Hive表

---

创建一个Hive表，该表用于Spark作业保存数据，注意这里创建的Parquet格式的表

create table testaaa (

`_age` bigint COMMENT_ '',

`_id` bigint COMMENT_ '',

`_name`_ string COMMENT ''

) STORED AS parquet

3.Sqoop抽数作业

---

这里的Sqooop抽数以MySQL为例。

1.创建一个MySQL的测试账号及准备测试数据

CREATE USER 'testuser'@'%' IDENTIFIED BY 'password';

GRANT ALL PRIVILEGES ON *.* TO 'testuser'@'%';

FLUSH PRIVILEGES;

准备测试表和数据

create database test_db default character set utf8;

创建表并插入测试数据

create table user(

         id int(10) primary key not null auto_increment, 

         name varchar(20) not null, 

         age int(10) not null

) ENGINE=InnoDB DEFAULT CHARSET=UTF8;

向表中插入数据

insert into test_user (name,age) values('user1', 12);
insert into test_user (name,age) values('user2', 13);
insert into test_user (name,age) values('user3', 14);
insert into test_user (name,age) values('user4', 15);
insert into test_user (name,age) values('user5', 16);
insert into test_user (name,age) values('user6', 17);
insert into test_user (name,age) values('user7', 18);
insert into test_user (name,age) values('user8', 19);

2.Sqoop抽数脚本

sqoop import --connect jdbc:mysql://ip-172-31-22-86.ap-southeast-1.compute.internal/test_db --username testuser --password password --table test_user --target-dir /tmp/sqoop -m 1

4.Spark ETL作业

---

将Sqoop抽取的数据通过Python的Spark作业进行ETL操作写入Hive表中

1.编写Spark脚本

#!/usr/local/anaconda3/bin/python
#coding:utf-8

# 初始化sqlContext
from pyspark import SparkConf,SparkContext
from pyspark.sql import HiveContext,Row
conf=(SparkConf().setAppName('PySparkETL'))
sc=SparkContext(conf=conf)
sqlContext = HiveContext(sc)

# 加载文本文件并转换成Row.
lines = sc.textFile("/tmp/sqoop/part-*")
parts = lines.map(lambda l: l.split(","))
people = parts.map(lambda p: Row(id=int(p[0]),name=p[1], age=int(p[2])))

# 将DataFrame注册为table.
schemaPeople = sqlContext.createDataFrame(people)
schemaPeople.registerTempTable("people")

sqlContext.cacheTable("people")

# 执行sql查询，查下条件年龄在13岁到16岁之间
teenagers = sqlContext.sql("SELECT * FROM people WHERE age >= 13 AND age <= 16")

teenagers.write.saveAsTable("testaaa", mode="append")

5.Hive查询作业

---

将Spark作业处理后的数据写入hive表中，使用Hive对表进行查询操作

编写hive-query.sql文件，内容如下：

select * from testaaa where age>=10 and age<=15

6.创建工作流

---

1. 进入Hue界面，选择”Workflows” => “Editors”=> “Workflows”

1. 在以下界面中点击“Create”按钮创建工作流

3.然后进入WrokSpace

将工作流相关的JDBC驱动包、ETL和Hive脚本放在当前WorkSpace的lib目录下

4.在工作流中添加Sqoop抽数作业

5.添加PySpark ETL工作流

5.添加Hive工作流

如下是一个完成的工作流

点击保存，完成工作流定义。

7.工作流运行

---

1.工作流保存成功后，点击运行

2.Oozie调度任务执行成功

8.作业运行结果查看

---

Sqoop抽数结果查看

Spark ETL执行成功查看Hive表testaaa数据

Hive作业执行结果查看