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 EMR 的区别
亚马逊 EMR 支持的 S3 DistCp 版本
亚马逊 EMR AMI DistCp 版本支持以下 S3 版本。1.0.7 之后的 S3 DistCp 版本可以直接在集群上找到。使用 /home/hadoop/lib 中的 JAR 以获得最新功能。
| 版本 | 描述 | 发行日期 |
|---|---|---|
| 1.0.8 | 添加 --appendToLastFile、--requirePreviousManifest 和 --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 和 --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，将 j-3gyxxxxxx9iOK 替换为您的集群 ID，然后将 mybucket 替换为您的 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-idj-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
此示例通过向正在运行的集群添加步骤将 Amazon CloudFront 日志加载到 HDFS 中。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 LZO 压缩的数据在解压缩时能拆分成多个映射，所以，与 Gzip 格式不同，您不必等到压缩完成。当您使用 Amazon EMR 分析数据时，这可以提供更好的性能。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。Amazon EMR 集群处理几个大型 LZO 压缩文件的效率比处理许多小型 Gzip 压缩文件的效率更高。要拆分 LZO 文件，您必须为这些文件编制索引并使用 hadoop-lzo 第三方库。
要将亚马逊 CloudFront 日志加载到 HDFS 中，请键入以下命令，将 j-3gyxxxxxx9iOK 替换为您的集群 ID，然后将 mybucket 替换为您的 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-idj-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