S3 DistCp 实用程序与早期AMI版本的 Amazon 的区别 EMR - Amazon EMR
Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异,请参阅 中国的 Amazon Web Services 服务入门 (PDF)

本文属于机器翻译版本。若本译文内容与英语原文存在差异,则一律以英文原文为准。

S3 DistCp 实用程序与早期AMI版本的 Amazon 的区别 EMR

亚马逊支持DistCp 的 S3 版本 EMR

Amazon DistCp 版本支持以下 S3 EMR AMI 版本。1.0.7 之后的 S3 DistCp 版本可以直接在集群上找到。使用JAR中的/home/hadoop/lib获取最新功能。

版本 描述 发行日期
1.0.8 添加 --appendToLastFile--requirePreviousManifest--storageClass 选项。 2014 年 1 月 3 日
1.0.7 添加了 --s3ServerSideEncryption 选项。 2013 年 5 月 2 日
1.0.6 添加了 --s3Endpoint 选项。 2012 年 8 月 6 日
1.0.5 提高了指定要运行哪个 S3 DistCp 版本的能力。 2012 年 6 月 27 日
1.0.4 改进了 --deleteOnSuccess 选项。 2012 年 6 月 19 日
1.0.3 添加了对于 --numberFiles--startingIndex 选项的支持。 2012 年 6 月 12 日
1.0.2 使用组时改进了文件命名。 2012 年 6 月 6 日
1.0.1 S3 的初始版本DistCp。 2012 年 1 月 19 日

向集群添加 S3 DistCp 复制步骤

要向正在运行的集群添加 S3 DistCp 复制步骤,请键入以下命令,替换 j-3GYXXXXXX9IOK 使用您的集群 ID,然后替换 mybucket 使用您的 Amazon S3 存储桶名称。

注意

为了便于读取,包含 Linux 行继续符 (\)。它们可以通过 Linux 命令删除或使用。对于 Windows,请将它们删除或替换为脱字号 (^)。

aws emr add-steps --cluster-id j-3GYXXXXXX9IOK \ --steps Type=CUSTOM_JAR,Name="S3DistCp step",Jar=/home/hadoop/lib/emr-s3distcp-1.0.jar,\ Args=["--s3Endpoint,s3-eu-west-1.amazonaws.com",\ "--src,s3://mybucket/logs/j-3GYXXXXXX9IOJ/node/",\ "--dest,hdfs:///output",\ "--srcPattern,.*[a-zA-Z,]+"]
例 将亚马逊 CloudFront 日志加载到 HDFS

此示例HDFS通过向正在运行的集群添加步骤来加载 Amazon CloudFront 日志。在此过程中,它将压缩格式从 Gzip( CloudFront默认)更改为。LZO这很有用,因为使用压缩的数据LZO可以在解压缩时分成多个地图,因此您不必像使用 Gzip 那样等到压缩完成。当您使用 Amazon 分析数据时,这样可以提高性能EMR。此示例还通过以下方式提高性能:使用在 --groupBy 选项中指定的正则表达式,将给定小时内的所有日志组合成为单个文件。与处理许多 GZIP 压缩的小文件相比,Amazon EMR 集群在处理少量大型LZO压缩文件时效率更高。要拆分LZO文件,必须对其进行索引并使用 hadoop-lzo 第三方库。

要将 Amazon CloudFront 日志加载到HDFS,请键入以下命令,替换 j-3GYXXXXXX9IOK 使用您的集群 ID,然后替换 mybucket 使用您的 Amazon S3 存储桶名称。

注意

为了便于读取,包含 Linux 行继续符 (\)。它们可以通过 Linux 命令删除或使用。对于 Windows,请将它们删除或替换为脱字号 (^)。

aws emr add-steps --cluster-id j-3GYXXXXXX9IOK \ --steps Type=CUSTOM_JAR,Name="S3DistCp step",Jar=/home/hadoop/lib/emr-s3distcp-1.0.jar,\ Args=["--src,s3://mybucket/cf","--dest,hdfs:///local",\ "--groupBy,.*XABCD12345678.([0-9]+-[0-9]+-[0-9]+-[0-9]+).*",\ "--targetSize,128", "--outputCodec,lzo","--deleteOnSuccess"]

假设前面的示例是在以下 CloudFront 日志文件上运行的。

s3://DOC-EXAMPLE-BUCKET1/cf/XABCD12345678.2012-02-23-01.HLUS3JKx.gz s3://DOC-EXAMPLE-BUCKET1/cf/XABCD12345678.2012-02-23-01.I9CNAZrg.gz s3://DOC-EXAMPLE-BUCKET1/cf/XABCD12345678.2012-02-23-02.YRRwERSA.gz s3://DOC-EXAMPLE-BUCKET1/cf/XABCD12345678.2012-02-23-02.dshVLXFE.gz s3://DOC-EXAMPLE-BUCKET1/cf/XABCD12345678.2012-02-23-02.LpLfuShd.gz

S3 将文件DistCp 复制、连接和压缩到以下两个文件中,其中文件名由正则表达式的匹配确定。

hdfs:///local/2012-02-23-01.lzo hdfs:///local/2012-02-23-02.lzo