Amazon EMR 的早期 AMI 版本的 S3DistCp 实用程序差异 - Amazon EMR
AWS 文档中描述的 AWS 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 AWS 服务入门

Amazon EMR 的早期 AMI 版本的 S3DistCp 实用程序差异

Amazon EMR 支持的 S3DistCp 版本

Amazon EMR AMI 发行版中支持以下 S3DistCp 版本。可直接在集群上找到 1.0.7 之后的 S3DistCp 版本。使用 /home/hadoop/lib 中的 JAR 以获得最新功能。

版本 说明 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 S3DistCp 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 S3DistCp 的初始版本。 2012 年 1 月 19 日

向集群添加 S3DistCp 复制步骤

要向正在运行的集群添加 S3DistCp 复制步骤,请键入以下命令,将 j-3GYXXXXXX9IOK 替换为集群 ID,并将 mybucket 替换为 Amazon S3 存储桶名称。

注意

包含了 Linux 行继续符 (\) 以提高可读性。可以在 Linux 命令中删除或使用它们。对于 Windows,请删除它们或将其替换为脱字号 (^)。

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.cn",\ "--src,s3://mybucket/logs/j-3GYXXXXXX9IOJ/node/",\ "--dest,hdfs:///output",\ "--srcPattern,.*[a-zA-Z,]+"]

例 将 Amazon 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,压缩格式由 Gzip (CloudFront 默认格式) 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。此示例还通过使用 --groupBy 选项指定的正则表达式把给定一个小时的所有日志组合成单个文件而改进了性能。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 Amazon CloudFront 日志加载到 HDFS 中,请键入以下命令,将 j-3GYXXXXXX9IOK 替换为集群 ID,并将 mybucket 替换为 Amazon S3 存储桶名称。

注意

包含了 Linux 行继续符 (\) 以提高可读性。可以在 Linux 命令中删除或使用它们。对于 Windows,请删除它们或将其替换为脱字号 (^)。

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"]

考虑上述示例在以下 CloudFront 日志文件上运行的情况。

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

S3DistCp 复制、连接和压缩文件成为以下两份文件,其中,文件名由正则表达式的匹配来确定。

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