在AmazonEMR上运行HadoopMapReduce作业

不久前我发布了如何使用CLI设置EMR群集的信息。在本文中我将展示如何使用适用于AWS的JavaSDK来设置集群。展示如何使用JavaAWS开发工具

不久前我发布了如何使用CLI设置EMR群集的信息。 在本文中我将展示如何使用适用于AWS的Java SDK来设置集群。 展示如何使用Java AWS开发工具包执行此操作的最佳方法是展示完整的示例因此让我们开始吧。

• • 设置一个新的Maven项目

为此我创建了一个新的默认Maven项目。 您可以运行该项目中的主类来启动EMR集群并执行我在本文中创建的MapReduce作业

package net.pascalalma.aws.emr;import com.amazonaws.AmazonServiceException;import com.amazonaws.auth.AWSCredentials;import com.amazonaws.auth.PropertiesCredentials;import com.amazonaws.regions.Region;import com.amazonaws.regions.Regions;import com.amazonaws.services.ec2.model.InstanceType;import com.amazonaws.services.elasticmapreduce.AmazonElasticMapReduceClient;import com.amazonaws.services.elasticmapreduce.model.*;import com.amazonaws.services.elasticmapreduce.util.StepFactory;import com.amazonaws.services.s3.AmazonS3;import com.amazonaws.services.s3.AmazonS3Client;import java.util.Arrays;import java.util.Date;import java.util.List;import java.util.UUID;/*** Created with IntelliJ IDEA.* User: pascal* Date: 22-07-13* Time: 20:45*/public class MyClient {private static final String HADOOP_VERSION "1.0.3";private static final int INSTANCE_COUNT 1;private static final String INSTANCE_TYPE InstanceType.M1Small.toString();private static final UUID RANDOM_UUID UUID.randomUUID();private static final String FLOW_NAME "dictionary-" RANDOM_UUID.toString();private static final String BUCKET_NAME "map-reduce-intro";private static final String S3N_HADOOP_JAR "s3n://" BUCKET_NAME "/job/MapReduce-1.0-SNAPSHOT.jar";private static final String S3N_LOG_URI "s3n://" BUCKET_NAME "/log/";private static final String[] JOB_ARGS new String[]{"s3n://" BUCKET_NAME "/input/input.txt","s3n://" BUCKET_NAME "/result/" FLOW_NAME};private static final List ARGS_AS_LIST Arrays.asList(JOB_ARGS);private static final List DONE_STATES Arrays.asList(new JobFlowExecutionState[]{JobFlowExecutionState.COMPLETED,JobFlowExecutionState.FAILED,JobFlowExecutionState.TERMINATED});static AmazonS3 s3;static AmazonElasticMapReduceClient emr;private static void init() throws Exception {AWSCredentials credentials new PropertiesCredentials(MyClient.class.getClassLoader().getResourceAsStream("AwsCredentials.properties"));s3 new AmazonS3Client(credentials);emr new AmazonElasticMapReduceClient(credentials);emr.setRegion(Region.getRegion(Regions.EU_WEST_1));}private static JobFlowInstancesConfig configInstance() throws Exception {// Configure instances to useJobFlowInstancesConfig instance new JobFlowInstancesConfig();instance.setHadoopVersion(HADOOP_VERSION);instance.setInstanceCount(INSTANCE_COUNT);instance.setMasterInstanceType(INSTANCE_TYPE);instance.setSlaveInstanceType(INSTANCE_TYPE);// instance.setKeepJobFlowAliveWhenNoSteps(true);// instance.setEc2KeyName("4synergy_palma");return instance;}private static void runCluster() throws Exception {// Configure the job flowRunJobFlowRequest request new RunJobFlowRequest(FLOW_NAME, configInstance());request.setLogUri(S3N_LOG_URI);// Configure the Hadoop jar to useHadoopJarStepConfig jarConfig new HadoopJarStepConfig(S3N_HADOOP_JAR);jarConfig.setArgs(ARGS_AS_LIST);try {StepConfig enableDebugging new StepConfig().withName("Enable debugging").withActionOnFailure("TERMINATE_JOB_FLOW").withHadoopJarStep(new StepFactory().newEnableDebuggingStep());StepConfig runJar new StepConfig(S3N_HADOOP_JAR.substring(S3N_HADOOP_JAR.indexOf(/) 1),jarConfig);request.setSteps(Arrays.asList(new StepConfig[]{enableDebugging, runJar}));//Run the job flowRunJobFlowResult result emr.runJobFlow(request);//Check the status of the running jobString lastState "";STATUS_LOOP:while (true) {DescribeJobFlowsRequest desc new DescribeJobFlowsRequest(Arrays.asList(new String[]{result.getJobFlowId()}));DescribeJobFlowsResult descResult emr.describeJobFlows(desc);for (JobFlowDetail detail : descResult.getJobFlows()) {String state detail.getExecutionStatusDetail().getState();if (isDone(state)) {System.out.println("Job " state ": " detail.toString());break STATUS_LOOP;} else if (!lastState.equals(state)) {lastState state;System.out.println("Job " state " at " new Date().toString());}}Thread.sleep(10000);}} catch (AmazonServiceException ase) {System.out.println("Caught Exception: " ase.getMessage());System.out.println("Reponse Status Code: " ase.getStatusCode());System.out.println("Error Code: " ase.getErrorCode());System.out.println("Request ID: " ase.getRequestId());}}public static boolean isDone(String value) {JobFlowExecutionState state JobFlowExecutionState.fromValue(value);return DONE_STATES.contains(state);}public static void main(String[] args) {try {init();runCluster();} catch (Exception e) {e.printStackTrace(); }}}

在此类中我首先声明一些常量我认为这些常量是显而易见的。 在init方法中我使用添加到项目中的凭据属性文件。 我将此文件添加到了Maven项目的/ main / resources文件夹中。 它包含我的访问密钥和秘密密钥。 我还将EMR客户的区域设置为“ EU-WEST”。 下一个方法是“ configInstance”。 在这种方法中我通过设置Hadoop版本实例数实例大小等来创建和配置JobFlowInstance。您还可以配置keepAlive设置以在作业完成后使集群保持活动状态。 在某些情况下这可能会有所帮助。 如果要使用此选项则还可以设置要用于访问集群的密钥对这可能很有用因为如果不设置此密钥就无法访问集群。 方法“ runCluster”是集群实际运行的地方。 它创建启动集群的请求。 在此请求中添加了必须执行的步骤。 在我们的例子中其中一个步骤是运行在先前步骤中创建的JAR文件。 我还添加了一个调试步骤以便在集群完成并终止后我们可以访问调试日志记录。 我们可以简单地访问我用常量S3N_LOG_URI设置的S3存储桶中的日志文件。 创建此请求后我们将基于此请求启动集群。 然后我们每隔10秒钟拉动一次以查看作业是否完成并在控制台上显示一条消息指示作业的当前状态。 要执行第一次运行我们必须准备输入。

• • 准备输入

作为作业的输入有关此示例作业的更多信息请参见此我们必须使字典内容可用于EMR群集。 此外我们必须使JAR文件可用并确保输出和日志目录存在于我们的S3存储桶中。 有几种方法可以执行此操作您还可以通过使用SDK以编程方式来执行此操作也可以通过从命令行使用S3cmd来执行此操作或者使用AWS管理控制台来执行此操作 。 只要最终得到类似的设置就可以了

• s3// map-reduce-intro
• s3// map-reduce-intro / input
• s3//map-reduce-intro/input/input.txt
• s3// map-reduce-intro / job
• s3//map-reduce-intro/job/MapReduce-1.0-SNAPSHOT.jar
• s3// map-reduce-intro / log
• s3// map-reduce-intro / result

或在使用S3cmd时如下所示

s3cmd-1.5.0-alpha1$ s3cmd ls --recursive s3://map-reduce-intro/2013-07-20 13:06 469941 s3://map-reduce-intro/input/input.txt2013-07-20 14:12 5491 s3://map-reduce-intro/job/MapReduce-1.0-SNAPSHOT.jar2013-08-06 14:30 0 s3://map-reduce-intro/log/2013-08-06 14:27 0 s3://map-reduce-intro/result/

在上面的示例中我已经在代码中引入了S3客户端。 您还可以使用它来准备输入或获取输出作为客户工作的一部分。

• • 运行集群

一切就绪后我们就可以运行作业。 我只是在IntelliJ中运行MyClient的主要方法并在控制台中获得以下输出

Job STARTING at Tue Aug 06 16:31:55 CEST 2013Job RUNNING at Tue Aug 06 16:36:18 CEST 2013Job SHUTTING_DOWN at Tue Aug 06 16:38:40 CEST 2013Job COMPLETED: {JobFlowId: j-JDB14HVTRC1L,Name: dictionary-8288df47-8aef-4ad3-badf-ee352a4a7c43,LogUri: s3n://map-reduce-intro/log/,AmiVersion: 2.4.0,ExecutionStatusDetail: {State: COMPLETED,CreationDateTime: Tue Aug 06 16:31:58 CEST 2013,StartDateTime: Tue Aug 06 16:36:14 CEST 2013,ReadyDateTime: Tue Aug 06 16:36:14 CEST 2013,EndDateTime: Tue Aug 06 16:39:02 CEST 2013,LastStateChangeReason: Steps completed},Instances: {MasterInstanceType: m1.small,MasterPublicDnsName: ec2-54-216-104-11.eu-west-1.compute.amazonaws.com,MasterInstanceId: i-93268ddf,InstanceCount: 1,InstanceGroups: [{InstanceGroupId: ig-2LURHNAK5NVKZ,Name: master,Market: ON_DEMAND,InstanceRole: MASTER,InstanceType: m1.small,InstanceRequestCount: 1,InstanceRunningCount: 0,State: ENDED,LastStateChangeReason: Job flow terminated,CreationDateTime: Tue Aug 06 16:31:58 CEST 2013,StartDateTime: Tue Aug 06 16:34:28 CEST 2013,ReadyDateTime: Tue Aug 06 16:36:10 CEST 2013,EndDateTime: Tue Aug 06 16:39:02 CEST 2013}],NormalizedInstanceHours: 1,Ec2KeyName: 4synergy_palma,Placement: {AvailabilityZone: eu-west-1a},KeepJobFlowAliveWhenNoSteps: false,TerminationProtected: false,HadoopVersion: 1.0.3},Steps: [{StepConfig: {Name: Enable debugging,ActionOnFailure: TERMINATE_JOB_FLOW,HadoopJarStep: {Properties: [],Jar: s3://us-east-1.elasticmapreduce/libs/script-runner/script-runner.jar,Args: [s3://us-east-1.elasticmapreduce/libs/state-pusher/0.1/fetch]}},ExecutionStatusDetail: {State: COMPLETED,CreationDateTime: Tue Aug 06 16:31:58 CEST 2013,StartDateTime: Tue Aug 06 16:36:12 CEST 2013,EndDateTime: Tue Aug 06 16:36:40 CEST 2013,}}, {StepConfig: {Name: /map-reduce-intro/job/MapReduce-1.0-SNAPSHOT.jar,ActionOnFailure: TERMINATE_JOB_FLOW,HadoopJarStep: {Properties: [],Jar: s3n://map-reduce-intro/job/MapReduce-1.0-SNAPSHOT.jar,Args: [s3n://map-reduce-intro/input/input.txt, s3n://map-reduce-intro/result/dictionary-8288df47-8aef-4ad3-badf-ee352a4a7c43]}},ExecutionStatusDetail: {State: COMPLETED,CreationDateTime: Tue Aug 06 16:31:58 CEST 2013,StartDateTime: Tue Aug 06 16:36:40 CEST 2013,EndDateTime: Tue Aug 06 16:38:10 CEST 2013,}}],BootstrapActions: [],SupportedProducts: [],VisibleToAllUsers: false,}Process finished with exit code 0

当然我们在S3存储桶中配置的“结果”文件夹中有一个结果

我将结果转移到我的本地计算机上并进行了查看

这样就可以得出这个简单的结论但我认为这是创建Hadoop作业并在对它进行单元测试之后在群集上运行它的完整示例就像对待所有软件一样。

以该设置为基础可以轻松地提出更复杂的业务案例并对其进行测试和配置以在AWS EMR上运行。

参考 The Pragmatic Integrator博客上的JCG合作伙伴 Pascal Alma在Amazon EMR上运行Hadoop MapReduce作业 。

翻译自: https://www.javacodegeeks.com/2013/09/run-your-hadoop-mapreduce-job-on-amazon-emr.html