hadoop - 用Oozie coordinator处理不规则的定时数据

Question

我有多个数据源需要在 oozie 协调工作流中加以考虑。数据集是不定期生成的，也就是有几天数据可能出不来。例如:

data_set1:
  ds1-1 - Sept-1-2015 - Data available
  ds1-2 - Sept-2-2015 - No Data
  ds1-3 - Sept-3-2015 - No Data
  ds1-4 - Sept-4-2015 - Data available
  ds1-5 - Sept-5-2015 - Data available
  ds1-6 - Sept-6-2015 - No Data
  ds1-7 - Sept-7-2015 - Data available.

Data_set2
  ds2-1 - Sept-1-2015 - Data available
  ds2-2 - Sept-2-2015 - Data available
  ds2-3 - Sept-3-2015 - Data available
  ds2-4 - Sept-4-2015 - No Data
  ds2-5 - Sept-5-2015 - Data available
  ds2-6 - Sept-6-2015 - Data available.
  ds2-7 - Sept-7-2015 - No Data

我的 oozie 协调员工作计划每天运行。但是，由于数据集不一定可用，我必须选择可用的和最新的数据集。对于上面给出的数据集，我希望每次运行都考虑以下数据集:

  Sept-1-2015 - ds1-1, ds2-1
  Sept-2-2015 - ds1-1, ds2-2   #since no ds1 available for day2.
  Sept-3-2015 - ds1-1, ds2-3   #since no ds1 available for day3.
  Sept-4-2015 - ds1-4, ds2-3   #since no ds2 available for day4.
  Sept-5-2015 - ds1-5, ds2-5
  Sept-6-2015 - ds1-5, ds2-6   #since no ds1 available for day6
  Sept-7-2015 - ds1-7, ds2-6   #since no ds2 available for day7.

有什么方法可以使用可用的 Oozie 构造来实现这一目标吗？

Answer 1

如果你想要最新的可用数据，你应该使用coord:latest EL 函数。基本上，coord:latest 意味着，使用您能找到的最后可用数据。如果你想可以使用 coord:latest(n) 这意味着

${coord:latest(int n)} represents the nth latest currently available instance of a synchronous dataset.

对于您的情况，请使用以下示例:

    <data-in name="input" dataset="logs">
      <instance>${coord:latest(0)}</instance>
    </data-in>