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。 # 创建或运行 Hadoop 应用程序 **Topics** + [ # 使用 Amazon EMR 构建二进制文件 ](emr-build-binaries.md) + [ # 通过流式处理来处理数据 ](UseCase_Streaming.md) + [ # 使用自定义 JAR 处理数据 ](UseCase_CustomJar.md) # 使用 Amazon EMR 构建二进制文件 您可以使用 Amazon EMR 作为构建环境，以编译用于您的集群的程序。在 Amazon EMR 中使用的程序必须在运行 Linux 的系统上进行编译且 Linux 版本与 Amazon EMR 所用的相同。对于 32 位版本，您应在 32 位机器上或在打开 32 位交叉编译选项的情况下进行编译。对于 64 位版本，您需要在 64 位机器上编译或打开 64 位交叉编译选项。有关 EC2 实例版本的更多信息，请参阅《Amazon EMR 管理指南》**中的[计划和配置 EC2 实例](https://docs.amazonaws.cn/emr/latest/ManagementGuide/emr-plan-ec2-instances.html)。支持的编程语言包括 C\$1\$1、Python 和 C\$1。 下表概览了使用 Amazon EMR 构建和测试您的应用程序所涉及的步骤。 **构建模块的过程** | | | | --- |--- | | 1 | 连接到集群的主节点。 | | 2 | 将源文件复制到主节点。 | | 3 | 使用任何必要的优化方法构建二进制文件。 | | 4 | 将二进制文件从主节点复制到 Amazon S3。 | 每个步骤的详细信息请参阅下面的部分。 **连接到集群的主节点** + 按照《Amazon EMR 管理指南》**中的[使用 SSH 连接到主节点](https://docs.amazonaws.cn/emr/latest/ManagementGuide/emr-connect-master-node-ssh.html)中的说明操作。 **将源文件复制到主节点。** 1. 将源文件置于 Amazon S3 存储桶中。要了解如何创建存储桶以及如何将数据移至 Amazon S3，请参阅[《Amazon Simple Storage Service 用户指南》](https://docs.amazonaws.cn/AmazonS3/latest/userguide/)。 1. 通过输入类似于以下内容的命令，为您的源文件在 Hadoop 集群上创建文件夹： ``` mkdir SourceFiles ``` 1. 通过键入类似以下内容的命令，将您的源文件从 Amazon S3 复制到主节点： ``` hadoop fs -get s3://amzn-s3-demo-bucket/SourceFiles SourceFiles ``` **使用任何必要的优化构建二进制文件** 构建二进制文件的方式取决于多种因素。请按照具体构建工具的说明，设置和配置您的环境。您可以使用 Hadoop 系统规范命令获取集群信息，以确定如何安装您的构建环境。 **识别系统规范** + 使用以下命令验证用于构建二进制文件的架构。 1. 要查看 Debian 版本，请输入以下命令： ``` master$ cat /etc/issue ``` 该输出值看上去类似于以下内容。 ``` Debian GNU/Linux 5.0 ``` 1. 要查看公有 DNS 名称和处理器大小，请输入以下命令： ``` master$ uname -a ``` 该输出值看上去类似于以下内容。 ``` Linux domU-12-31-39-17-29-39.compute-1.internal 2.6.21.7-2.fc8xen #1 SMP Fri Feb 15 12:34:28 EST 2008 x86_64 GNU/Linux ``` 1. 要查看处理器速度，请输入以下命令： ``` master$ cat /proc/cpuinfo ``` 该输出值看上去类似于以下内容。 ``` processor : 0 vendor_id : GenuineIntel model name : Intel(R) Xeon(R) CPU E5430 @ 2.66GHz flags : fpu tsc msr pae mce cx8 apic mca cmov pat pse36 clflush dts acpi mmx fxsr sse sse2 ss ht tm syscall nx lm constant_tsc pni monitor ds_cpl vmx est tm2 ssse3 cx16 xtpr cda lahf_lm ... ``` 构建了二进制文件后，您就可以将文件复制到 Amazon S3。 **将二进制文件从主节点复制到 Amazon S3** + 键入以下命令以将二进制文件复制到 Amazon S3 存储桶： ``` hadoop fs -put BinaryFiles s3://amzn-s3-demo-bucket/BinaryDestination ``` # 通过流式处理来处理数据 Hadoop 流媒体是 Hadoop 附带的一个实用程序，它使您能够使用 Java 以外的语言开发可 MapReduce执行文件。流式处理是以 JAR 文件的形式实现的，这样您就可以像运行标准 JAR 文件一样，从 Amazon EMR API 或命令行运行它。 此部分介绍如何结合使用 Streaming 与 Amazon EMR。 **注意** Apache Hadoop Streaming 是一种独立工具。因此，这里并不介绍其所有函数和参数。[有关 Hadoop 直播的更多信息，请访问 http://hadoop.apache。 org/docs/stable/hadoop-streaming/HadoopStreaming.html。](http://hadoop.apache.org/docs/stable/hadoop-streaming/HadoopStreaming.html) ## 使用 Hadoop Streaming 实用工具 此部分介绍如何使用 Hadoop 的 Streaming 实用工具。 **Hadoop 进程** | | | | --- |--- | | 1 | 以您所选择的编程语言编写映射器和 Reducer 可执行文件。 按照 Hadoop 的文档中的指示编写流式处理可执行文件。该等程序应从标准输入读取其输入内容，并通过标准输出来输出数据。默认情况下，输入/输出的每一行都代表一条记录，并且每一行中的第一个制表符都用作密钥与值之间的分隔符。 | | 2 | 在本地测试您的可执行文件，并将它们上载到 Amazon S3。 | | 3 | 使用 Amazon EMR 命令行界面或 Amazon EMR 控制台可运行您的应用程序。 | 每个映射器脚本都会以单独进程的形式在集群中启动。每个 Reducer 可执行文件都会通过任务流程将映射器可执行文件的输出转到数据输出中。 大多数 Streaming 应用程序都需要 `input`、`output`、`mapper` 和 `reducer` 参数。下表描述了上述参数和其它可选参数。 | 参数 | 说明 | 必填 | | --- | --- | --- | | -input | 输入数据在 Amazon S3 上的位置。 类型：字符串 默认值：无 约束：URI。如果没有指定协议，那么它就可以使用集群的默认文件系统。 | 是 | | -output | Amazon S3 上的位置，该位置为 Amazon EMR 上载已处理数据的地方。 类型：字符串 默认值：无 约束：URI 默认值：如果没有指定位置，那么 `input` 会将数据上载至 Amazon EMR 指定的位置。 | 是 | | -mapper | 映射器可执行文件的名称。 类型：字符串 默认值：无 | 是 | | -reducer | Reducer 可执行文件的名称。 类型：字符串 默认值：无 | 是 | | -cacheFile | 一个 Amazon S3 位置，其中包含一些文件可供 Hadoop 复制到本地工作目录（主要目的是提高性能）。 类型：字符串 默认值：无 约束：[URI]\$1[要在工作目录中创建的符号链接名称] | 否 | | -cacheArchive | 提取到工作目录的 JAR 文件。 类型：字符串 默认值：无 约束：[URI]\$1[要在工作目录中创建的符号链接目录名称] | 否 | | -combiner | 合并结果 类型：字符串 默认值：无 约束：Java 类名 | 否 | 以下示例代码是写入 Python 的映射器可执行文件。此脚本是 WordCount 示例应用程序的一部分。 ``` 1. #!/usr/bin/python 2. import sys 3. 4. def main(argv): 5. line = sys.stdin.readline() 6. try: 7. while line: 8. line = line.rstrip() 9. words = line.split() 10. for word in words: 11. print "LongValueSum:" + word + "\t" + "1" 12. line = sys.stdin.readline() 13. except "end of file": 14. return None 15. if __name__ == "__main__": 16. main(sys.argv) ``` # 提交流式处理步骤 本节介绍向集群提交流式处理步骤的基本知识。Streaming 应用程序会从标准输入读取输入内容，然后针对每个输入运行脚本或可执行文件（称为映射器）。每个输入的结果都会保存在本地，通常位于 Hadoop Distributed File System（HDFS）分区上。所有输入经过映射器处理后，第二个脚本或可执行文件 (名为 Reducer) 会处理映射器结果。将 Reducer 的结果发送到标准输出。您可以将一系列 Streaming 步骤串联起来，让一个步骤的输出作为另一个步骤的输入。 映射器和 Reducer 都能够以文件的形式进行引用，或者您也可以提供一个 Java 类。您能够以任一种受支持的语言 (包括 Ruby、Perl、Python、PHP 或 Bash) 来执行映射器和 Reducer。 ## 使用控制台提交流式处理步骤 此示例介绍如何使用 Amazon EMR 控制台向正在运行的集群提交流式处理步骤。 **提交流式处理步骤** 1. [在 /emr 上打开亚马逊 EMR 控制台。https://console.aws.amazon.com](https://console.amazonaws.cn/emr/) 1. 在 **Cluster List (集群列表)** 中，选择您的集群的名称。 1. 滚动到 **Steps (步骤)** 部分并展开它，然后选择 **Add step (添加步骤)**。 1. 在 **Add Step (添加步骤)** 对话框中： + 对于 **Step type (步骤类型)**，选择 **Streaming program (流式程序)**。 + 对于 **Name (名称)**，请接受默认名称（流式程序）或键入新名称。 + 对于**映射器**，键入或浏览到 Hadoop 中映射器类所在的位置或映射器可执行文件（如 Python 程序）所在的 S3 存储桶。路径值必须采用*BucketName*/*path*/的形式*MapperExecutable*。 + 对于 **Reducer**，键入或浏览到 Hadoop 中 Reducer 类所在的位置或 Reducer 可执行文件（如 Python 程序）所在的 S3 存储桶。路径值必须采用*BucketName*/*path*/的形式*MapperExecutable*。Amazon EMR 支持特殊 *aggregate* 关键字。有关更多信息，请转到 Hadoop 提供的 Aggregate 库。 + 对于 **Input S3 location (输入 S3 位置)**，键入或浏览到输入数据的位置。 + 对于 **Output S3 location (输出 S3 位置)**，键入或浏览到您的 Amazon S3 输出存储桶的名称。 + 对于 **Arguments (参数)**，将该字段保留为空白。 + 对于 **Action on failure (出现故障时的操作)**，接受默认选项 **Continue (继续)**。 1. 选择**添加**。步骤会出现在控制台中，其状态为“Pending”。 1. 步骤的状态会随着步骤的运行从“Pending”变为“Running”，再变为“Completed”。要更新状态，请选择 Actions (操作) 列上方的 **Refresh (刷新)** 图标。 ## Amazon CLI 这些示例演示了 Amazon CLI 如何使用创建集群和提交流式处理步骤。 **要创建集群并提交流式处理步骤，请使用 Amazon CLI** + 要使用创建集群并提交流式处理步骤 Amazon CLI，请键入以下命令并*myKey*替换为您的 EC2 key pair 的名称。请注意，`--files` 的实际参数应该是指向您脚本位置的 Amazon S3 路径，并且 `-mapper` 和 `-reducer` 的实际参数应该是各自脚本文件的名称。 ``` aws emr create-cluster --name "Test cluster" --release-label emr-7.12.0 --applications Name=Hue Name=Hive Name=Pig --use-default-roles \ --ec2-attributes KeyName=myKey --instance-type m5.xlarge --instance-count 3 \ --steps Type=STREAMING,Name="Streaming Program",ActionOnFailure=CONTINUE,Args=[--files,pathtoscripts,-mapper,mapperscript,-reducer,reducerscript,aggregate,-input,pathtoinputdata,-output,pathtooutputbucket] ``` **注意** 为了便于读取，包含 Linux 行继续符（\$1）。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 (^)。 如果不使用 `--instance-groups` 参数指定实例计数，则将启动单个主节点，其余实例将作为核心节点启动。所有节点都使用该命令中指定的实例类型。 **注意** 如果您之前未创建默认 Amazon EMR 服务角色和 EC2 实例配置文件，请先键入 aws `emr create-default-roles` 创建它们，然后再键入 `create-cluster` 子命令。 有关在中使用 Amazon EMR 命令的更多信息 Amazon CLI，请参阅。[https://docs.amazonaws.cn/cli/latest/reference/emr](https://docs.amazonaws.cn/cli/latest/reference/emr) # 使用自定义 JAR 处理数据 自定义 JAR 运行您能上载到 Amazon S3 的已编译 Java 程序。您应针对想启动的 Hadoop 版本编译该程序，并将 `CUSTOM_JAR` 步骤提交到 Amazon EMR 集群。有关如何编译 JAR 文件的更多信息，请参阅 [使用 Amazon EMR 构建二进制文件](emr-build-binaries.md)。 有关构建 Hadoop MapReduce 应用程序的更多信息，请参阅 Apache Hadoop 文档中的[MapReduce 教程](http://hadoop.apache.org/docs/stable/hadoop-mapreduce-client/hadoop-mapreduce-client-core/MapReduceTutorial.html)。 **Topics** + [ # 提交自定义 JAR 步骤 ](emr-launch-custom-jar-cli.md) # 提交自定义 JAR 步骤 自定义 JAR 运行您能上载到 Amazon S3 的已编译 Java 程序。您应针对想启动的 Hadoop 版本编译该程序，并将 `CUSTOM_JAR` 步骤提交到 Amazon EMR 集群。有关如何编译 JAR 文件的更多信息，请参阅 [使用 Amazon EMR 构建二进制文件](emr-build-binaries.md)。 有关构建 Hadoop MapReduce 应用程序的更多信息，请参阅 Apache Hadoop 文档中的[MapReduce 教程](http://hadoop.apache.org/docs/stable/hadoop-mapreduce-client/hadoop-mapreduce-client-core/MapReduceTutorial.html)。 此部分介绍在 Amazon EMR 中提交自定义 JAR 步骤的基础知识。通过提交自定义 JAR 步骤，您可以使用 Java 编程语言编写用于处理数据的脚本。 ## 使用控制台提交自定义 JAR 步骤 此示例介绍如何使用 Amazon EMR 控制台向正在运行的集群提交自定义 JAR 步骤。 **使用控制台提交自定义 JAR 步骤** 1. [在 /emr 上打开亚马逊 EMR 控制台。https://console.aws.amazon.com](https://console.amazonaws.cn/emr/) 1. 在 **Cluster List (集群列表)** 中，选择您的集群的名称。 1. 滚动到 **Steps (步骤)** 部分并展开它，然后选择 **Add step (添加步骤)**。 1. 在 **Add step (添加步骤)** 对话框中： + 对于**步骤类型**，选择**自定义 JAR**。 + 对于 **Name (名称)**，接受默认名称（自定义 JAR）或键入新名称。 + 对于 **JAR S3 location (JAR S3 位置)**，键入或浏览到 JAR 文件的位置。JAR 位置可能是 S3 的路径或类路径中的完全限定的 java 类。 + 对于**参数**，以空格分隔的字符串形式键入任何所需参数，或将该字段保留为空白。 + 对于 **Action on failure (出现故障时的操作)**，接受默认选项 **Continue (继续)**。 1. 选择**添加**。步骤会出现在控制台中，其状态为“Pending”。 1. 步骤的状态会随着步骤的运行从“Pending”变为“Running”，再变为“Completed”。要更新状态，请选择 Actions (操作) 列上方的 **Refresh (刷新)** 图标。 ## 启动集群并使用提交自定义 JAR 步骤 Amazon CLI **要启动集群并提交自定义 JAR 步骤，请使用 Amazon CLI** 要启动集群并使用提交自定义 JAR 步骤 Amazon CLI，请键入带`--steps`参数的`create-cluster`子命令。 + 要启动集群并提交自定义 JAR 步骤，请键入以下命令，*myKey*替换为您的 EC2 密钥对的名称，然后*amzn-s3-demo-bucket*替换为您的存储桶名称。 ``` aws emr create-cluster --name "Test cluster" --release-label emr-7.12.0 \ --applications Name=Hue Name=Hive Name=Pig --use-default-roles \ --ec2-attributes KeyName=myKey --instance-type m5.xlarge --instance-count 3 \ --steps Type=CUSTOM_JAR,Name="Custom JAR Step",ActionOnFailure=CONTINUE,Jar=pathtojarfile,Args=["pathtoinputdata","pathtooutputbucket","arg1","arg2"] ``` **注意** 为了便于读取，包含 Linux 行继续符（\$1）。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（^）。 如果不使用 `--instance-groups` 参数指定实例计数，则将启动单个主节点，其余实例将作为核心节点启动。所有节点都使用您在命令中指定的实例类型。 **注意** 如果您之前未创建默认 Amazon EMR 服务角色和 EC2 实例配置文件，请先键入 `aws emr create-default-roles` 创建它们，然后再键入 `create-cluster` 子命令。 有关在中使用 Amazon EMR 命令的更多信息 Amazon CLI，请参阅。[https://docs.amazonaws.cn/cli/latest/reference/emr](https://docs.amazonaws.cn/cli/latest/reference/emr) ## 第三方依赖项 有时可能需要在 MapReduce 类路径 JARs 中包含以便与您的程序一起使用。您有两个选项来执行此操作： + 将 `--libjars s3://URI_to_JAR` 包含在[启动集群并使用提交自定义 JAR 步骤 Amazon CLI](#emr-dev-create-jar-cli)中的过程的步骤选项中。 + 使用 `mapred-site.xml` 中修改过的 `mapreduce.application.classpath` 设置启动集群。使用 `mapred-site` 配置分类。要使用步骤创建集群 Amazon CLI，如下所示： ``` aws emr create-cluster --release-label emr-7.12.0 \ --applications Name=Hue Name=Hive Name=Pig --use-default-roles \ --instance-type m5.xlarge --instance-count 2 --ec2-attributes KeyName=myKey \ --steps Type=CUSTOM_JAR,Name="Custom JAR Step",ActionOnFailure=CONTINUE,Jar=pathtojarfile,Args=["pathtoinputdata","pathtooutputbucket","arg1","arg2"] \ --configurations https://s3.amazonaws.com/amzn-s3-demo-bucket/myfolder/myConfig.json ``` `myConfig.json`: ``` [ { "Classification": "mapred-site", "Properties": { "mapreduce.application.classpath": "path1,path2" } } ] ``` 路径的逗号分隔的列表应追加到每个任务的 JVM 的类路径。