亚马逊 EMR 6.x 版本

Amazon EMR 版本 6.3.0

• Application versions

• Release notes

• Component versions

• Configuration classifications

• 6.x 系列亚马逊 EMR 发布版本的应用程序版本 (PNG)

• 5.x 系列亚马逊 EMR 发布版本的应用程序版本 (PNG)

• 4.x 系列亚马逊 EMR 发布版本的应用程序版本 (PNG)

支持的应用程序

• Amazon SDK for Java版本 1.11.977

• CloudWatch 水槽版本 2.1.0

• DynamoDB 连接器 4.16.0 版本

• EMRFS 版本 2.46.0

• 亚马逊 EMR 好东西版本 3.2.0

• 亚马逊 EMR Kinesis 连接器 3.5.0 版

• Amazon EMR 记录服务器版本 2.0.0

• Amazon EMR 脚本 2.5.0

• Flink 版本 1.12.1

• Ganglia 版本 3.7.2

• AmazonGlue 合 Hive Metastore 客户端版本 3.2.0

• Hadoop 版本 3.2.1-amzn-3

• HBase 版本 2.2.6-amzn-1

• HBase 操作员工具 1.0.0

• HCatalog 版本 3.1.2-amzn-0

• Hive 版本 3.1.2-amzn-4

• Hudi 版本 0.7.0-amzn-0

• Hue 版本 4.9.0

• Java JDK 版本科雷特托 8.282.08.1（构建 1.8.0_282-b08）

• JupyterHub 版本 1.2.0

• Livy 版本 0.7.0-incubating

• MxNet 1.7.0 版本

• Oozie 版本 5.2.1

• Phoenix 版本 5.0.0

• Pig 版本 0.17.0

• Presto 版本 0.245.1-amzn-0

• PrestoSQL 版本 350

• 阿帕奇游侠 KMS (多主机透明加密) 版本 2.0.0

• amzn-0

• 游侠-S3 插件 1.1.0

• SageMaker Spark SDK 版本 1.4.1

• 斯卡拉版本 2.12.10（OpenJDK 64 位服务器虚拟机，Java 1.8.0_282）

• 火花版本 3.1.1-amzn-0

• S火K-Red-Zrap 0.4.1

• Sqoop 版本 1.4.7

• TensorFlow 版本 2.4.1

• tez 版本 0.9.2

• Zeppelin 版本 0.9.0

• Zookeeper 版本 3.4.14

• 连接器和驱动器：DynamoDB 连接器 4.16.0

新功能

• 借助 Amazon EMR 6.3.0，您可以启动与 Apache 游侠本地集成的集群。Apache Ranger 是一个开源框架，用于跨 Hadoop 平台启用、监控和管理全面的数据安全。有关更多信息，请参阅 。Apache Renger。通过本机集成，您可以携带自己的 Apache Ranger，在 Amazon EMR 上强制实施细粒度的数据访问控制。请参阅将亚马逊 EMR 与阿帕奇游侠集成，请参阅 Amazon EMR 管理指南。

• 适用于的托管策略：对齐Amazon最佳实践中，Amazon EMR 引入了 v2 EMR 范围的默认托管策略，作为将弃用的策略的替代品。请参阅Amazon EMR 托管策略。

• 实例元数据服务 (IMDS) V2 支持状态：对于亚马逊 EMR 6.2 或更高版本，亚马逊 EMR 组件对所有 IMDS 呼叫都使用 IMDSv2。对于应用程序代码中的 IMDS 调用，您可以同时使用 IMDSv1 和 IMDSv2，或者将 IMDS 配置为仅使用 IMDSv2 以提高安全性。如果您在早期 Amazon EMR 6.x 版本中禁用 IMDSv1，则会导致群集启动失败。

更改、增强和已解决的问题

• 文件输出提交器默认算法已从 v2 算法更改为开源 Spark 3.1 中的 v1 算法。有关更多信息，请参阅。阿帕奇火花 JIRA 门票。

• 亚马逊 EMR 恢复到 v2 算法，这是先前 Amazon EMR 6.x 版本中使用的默认算法，以防止性能回归。要恢复开源 Spark 3.1 行为，请将spark.hadoop.mapreduce.fileoutputcommitter.algorithm.version到1。开源 Spark 进行了此更改，因为文件输出提交器算法 v2 中的任务提交不是原子的，在某些情况下可能会导致输出数据正确性问题。但是，算法 v1 中的任务提交也不是原子的。在某些情况下，任务提交包括在重命名之前执行的删除操作。这可能会导致无提示的数据正确性问题。

已知问题

• 对于亚马逊 EMR 6.3.0 和 6.2.0 私有子网集群，您不能访问 Ganglia Web 用户界面。您将收到 “访问被拒绝 (403)” 错误。其他 Web 用户界面，如火花、色相、JupyterHub、齐柏林、利维和 Tez 工作正常。公有子网群集上的 Ganglia Web UI 访问也正常工作。要解决该问题，请在主节点上重新启动 httpd 服务sudo systemctl restart httpd。

• 何时Amazon已启用 Glue 数据目录，使用 Spark 访问Amazon具有空字符串位置 URI 的 Glue 数据库可能会失败。这种情况发生在早期的亚马逊 EMR 版本中，但 SPARK-31709 (https://issues.apache.org/jira/browse/SPARK-31709) 使其适用于更多案例。例如，当在默认Amazon位置 URI 为空字符串的 Glue 数据库，spark.sql("CREATE TABLE mytest (key string) location '/table_path';")失败，并显示消息 “无法从空字符串创建路径”。要变通解决此问题，请手动设置AmazonGlue 合数据库，然后使用 Spark 在这些数据库中创建表。

• 在亚马逊 EMR 6.3.0 中，PrestoSQL 已从版本 343 升级到版本 350。有两个与此版本更改相关的开放源代码安全相关的更改。基于文件的目录访问控制从deny到allow当未定义表、架构或会话属性规则时。此外，基于文件的系统访问控制更改为支持没有定义目录规则的文件。在这种情况下，允许对目录的所有访问。

  有关更多信息，请参阅 。第 344 号发布 (2020 年 10 月 9 日)。

• 请注意，每个人都可以读取 Hadoop 用户目录（/home/hadoop）。它具有 Unix 755（drwxr-xr-x）目录权限，允许像 Hive 这样的框架进行读取访问。您可以将文件放在 /home/hadoop 及其子目录中，但请注意这些目录的权限以保护敏感信息。

• 较早的 AL2 上的 “最大打开文件” 限制较低。 亚马逊 EMR 版本：EMR 5.30.x、EMR-5.31.0、EMR-5.32.0、EMR-6.0.0、EMR-6.1.0 和 EMR-6.2.0 基于旧版本的 OFAMZON Linux 2 (AL2)，当使用默认 AMI 创建 EMR 集群时，这些版本的下限设置为 “最大打开文件”。提交 Spark 作业时，打开的文件下限会导致 “打开的文件过多” 错误。在受影响的 EMR 版本中，亚马逊 EMR 默认 AMI 对于 “最大打开文件” 的默认限制设置为 4096，低于最新亚马逊 Linux 2 AMI 中的 65536 文件限制。当 Spark 驱动程序和执行程序尝试打开超过 4096 个文件时，“最大打开文件” 的下限设置会导致 Spark 作业失败。要修复此问题，Amazon EMR 有一个引导操作 (BA) 脚本，用于在创建集群时调整 ulimit 设置。亚马逊 EMR 6.3.0 和 5.33.0 版将包括一个具有更高 “最大打开文件” 设置的永久修复程序。

  此问题的以下解决方法允许您显式将实例控制器 ulimit 设置为最多 65536 文件。

  从命令行显式设置 ulimit

  1. 编辑/etc/systemd/system/instance-controller.service将以下参数添加到服务部分。

     LimitNOFILE=65536

     LimitNPROC=65536

  2. 重新启动实例 Controller

     $ sudo systemctl daemon-reload

     $ sudo systemctl restart instance-controller

  使用引导操作设置 u限制 (BA)

  您还可以使用引导操作 (BA) 脚本在群集创建时将实例控制器 ulimit 配置为 65536 个文件。

  #!/bin/bash
  for user in hadoop spark hive; do
  sudo tee /etc/security/limits.d/$user.conf << EOF
  $user - nofile 65536
  $user - nproc 65536
  EOF
  done
  for proc in instancecontroller logpusher; do
  sudo mkdir -p /etc/systemd/system/$proc.service.d/
  sudo tee /etc/systemd/system/$proc.service.d/override.conf << EOF
  [Service]
  LimitNOFILE=65536
  LimitNPROC=65536
  EOF
  pid=$(pgrep -f aws157.$proc.Main)
  sudo prlimit --pid $pid --nofile=65535:65535 --nproc=65535:65535
  done
  sudo systemctl daemon-reload

• 重要

  运行亚马逊 Linux 或 Amazon Linux 2 AMI（亚马逊 Linux 计算机映像）的 Amazon EMR 集群使用默认的 Amazon Linux 行为，并且不会自动下载和安装需要重新启动的重要和关键的内核更新。这与运行默认 Amazon Linux AMI 的其他 Amazon EC2 实例的行为相同。如果在 Amazon EMR 版本发布后需要重新启动的新 Amazon Linux 软件更新（如内核、NVIDIA 和 CUDA 更新）变为可用，则运行默认 AMI 的 Amazon EMR 集群实例不会自动下载和安装这些更新。要获取内核更新，您可以自定义您的亚马逊 EMR AMI到使用最新的 Amazon Linux AMI。

Amazon EMR 版本 6.2.0

• Application versions

• Release notes

• Component versions

• Configuration classifications

• 6.x 系列亚马逊 EMR 发布版本的应用程序版本 (PNG)

• 5.x 系列亚马逊 EMR 发布版本的应用程序版本 (PNG)

• 4.x 系列亚马逊 EMR 发布版本的应用程序版本 (PNG)

支持的应用程序

• Amazon SDK for Java版本 1.11.828

• emr-记录-服务器版本 1.7.0

• Flink 版本 1.11.2

• Ganglia 版本 3.7.2

• Hadoop 版本 3.2.1-amzn-1

• HBase 版本 2.2.6-amzn-0

• HBase 操作员工具 1.0.0

• HCatalog 版本 3.1.2-amzn-0

• Hive 版本 3.1.2-amzn-3

• Hudi 版本 0.6.0-amzn-1

• Hue 版本 4.8.0

• JupyterHub 版本 1.1.0

• Livy 版本 0.7.0

• MxNet 版本 1.7.0

• Oozie 版本 5.2.0

• Phoenix 版本 5.0.0

• Pig 版本 0.17.0

• 普雷斯托版本 0.238.3-amzn-1

• PrestoSQL 版本 343

• 火花版本 3.0.1-amzn-0

• S火Zek-Rapid 0.2.0

• TensorFlow 版本 2.3.1

• Zeppelin 版本 0.9.0-preview1

• Zookeeper 版本 3.4.14

• 连接器和驱动器：DynamoDB 连接器 4.16.0

新功能

• HBase: 删除了提交阶段的重命名，并添加了持久的 HFile 跟踪。请参阅持久性 H文件跟踪中的Amazon EMR 版本指南。

• HBase: 反向传输创建强制在压缩时缓存块的配置。

• PrestoDB：对动态分区修剪的改进。基于规则的联接重排适用于未分区数据。

• 适用于的托管策略：对齐Amazon最佳实践中，Amazon EMR 引入了 v2 EMR 范围的默认托管策略，作为将弃用的策略的替代品。请参阅Amazon EMR 托管策略。

• 实例元数据服务 (IMDS) V2 支持状态：对于亚马逊 EMR 6.2 或更高版本，亚马逊 EMR 组件对所有 IMDS 呼叫都使用 IMDSv2。对于应用程序代码中的 IMDS 调用，您可以同时使用 IMDSv1 和 IMDSv2，或者将 IMDS 配置为仅使用 IMDSv2 以提高安全性。如果您在早期 Amazon EMR 6.x 版本中禁用 IMDSv1，则会导致群集启动失败。

更改、增强和已解决的问题

• 火花：Spark 运行时的性能改进。

已知问题

• 对于亚马逊 EMR 6.2.0 和 6.3.0 私有子网集群，您不能访问 Ganglia Web 用户界面。您将收到 “访问被拒绝 (403)” 错误。其他 Web 用户界面（如斯巴拉克、色相、JupyterHub、齐柏林、利维和 Tez）正常工作。公有子网群集上的 Ganglia Web UI 访问也正常工作。要解决该问题，请在主节点上重新启动 httpd 服务sudo systemctl restart httpd。

• 亚马逊 EMR 6.2.0 中存在一个问题，其中 httpd 持续失败，导致 Ganglia 不可用。您会收到 "无法连接到服务器" 错误。若要修复已在运行的群集，请 SSH 到群集主节点并添加行Listen 80到该文件httpd.conf位于/etc/httpd/conf/httpd.conf。此问题已在亚马逊 EMR 6.3.0 中得到修复。

• 当您使用安全配置时，HTTPD 在 EMR 6.2.0 群集上失败。这使得 Ganglia Web 应用程序用户界面不可用。要访问 Ganglia Web 应用程序用户界面，请添加Listen 80添加到/etc/httpd/conf/httpd.conf文件中添加到集群主节点上。有关连接到集群的信息，请参阅使用 SSH Connect 到主节点。

  当您使用安全配置时，EMR Notebooks 也无法建立与 EMR 6.2.0 群集的连接。笔记本将无法列出内核和提交 Spark 作业。我们建议您改为将 EMR Notebooks 本与其他版本的 Amazon EMR 一起使用。

• 较早的 AL2 上的 “最大打开文件” 限制较低。 亚马逊 EMR 版本：EMR 5.30.x、EMR-5.31.0、EMR-5.32.0、EMR-6.0.0、EMR-6.1.0 和 EMR-6.2.0 基于旧版本的 OFAMZON Linux 2 (AL2)，当使用默认 AMI 创建 EMR 集群时，这些版本的下限设置为 “最大打开文件”。提交 Spark 作业时，打开的文件下限会导致 “打开的文件过多” 错误。在受影响的 EMR 版本中，亚马逊 EMR 默认 AMI 对于 “最大打开文件” 的默认限制设置为 4096，低于最新亚马逊 Linux 2 AMI 中的 65536 文件限制。当 Spark 驱动程序和执行程序尝试打开超过 4096 个文件时，“最大打开文件” 的下限设置会导致 Spark 作业失败。要修复此问题，Amazon EMR 有一个引导操作 (BA) 脚本，用于在创建集群时调整 ulimit 设置。亚马逊 EMR 6.3.0 和 5.33.0 版将包括一个具有更高 “最大打开文件” 设置的永久修复程序。

  此问题的以下解决方法允许您显式将实例控制器 ulimit 设置为最多 65536 文件。

  从命令行显式设置 ulimit

  1. 编辑/etc/systemd/system/instance-controller.service将以下参数添加到服务部分。

     LimitNOFILE=65536

     LimitNPROC=65536

  2. 重新启动实例 Controller

     $ sudo systemctl daemon-reload

     $ sudo systemctl restart instance-controller

  使用引导操作设置 u限制 (BA)

  您还可以使用引导操作 (BA) 脚本在群集创建时将实例控制器 ulimit 配置为 65536 个文件。

  #!/bin/bash
  for user in hadoop spark hive; do
  sudo tee /etc/security/limits.d/$user.conf << EOF
  $user - nofile 65536
  $user - nproc 65536
  EOF
  done
  for proc in instancecontroller logpusher; do
  sudo mkdir -p /etc/systemd/system/$proc.service.d/
  sudo tee /etc/systemd/system/$proc.service.d/override.conf << EOF
  [Service]
  LimitNOFILE=65536
  LimitNPROC=65536
  EOF
  pid=$(pgrep -f aws157.$proc.Main)
  sudo prlimit --pid $pid --nofile=65535:65535 --nproc=65535:65535
  done
  sudo systemctl daemon-reload

• 重要

  亚马逊 EMR 6.1.0 和 6.2.0 包含可能严重影响所有 Hudi 插入、插入和删除操作的性能问题。如果您计划将 Hudi 与亚马逊 EMR 6.1.0 或 6.2.0 结合使用，请联系Amazon支持，以获得修补的胡迪 RPM。

• 重要

  运行亚马逊 Linux 或 Amazon Linux 2 AMI（亚马逊 Linux 计算机映像）的 Amazon EMR 集群使用默认的 Amazon Linux 行为，并且不会自动下载和安装需要重新启动的重要和关键的内核更新。这与运行默认 Amazon Linux AMI 的其他 Amazon EC2 实例的行为相同。如果在 Amazon EMR 版本发布后需要重新启动的新 Amazon Linux 软件更新（如内核、NVIDIA 和 CUDA 更新）变为可用，则运行默认 AMI 的 Amazon EMR 集群实例不会自动下载和安装这些更新。要获取内核更新，您可以自定义您的亚马逊 EMR AMI到使用最新的 Amazon Linux AMI。

• 亚马逊 EMR 6.2.0 Maven 工件不会发布。它们将随亚马逊 EMR 的未来版本一起发布。

• 使用 HBase 存储文件系统表的持久 HFile 跟踪不支持 HBase 区域复制功能。有关 HBase 区域复制的更多信息，请参阅时间线一致的高可用读取。

• 亚马逊 EMR 6.x 和 EMR 5.x 配置单元分段版本差异

  EMR 5.x 使用 OOS 阿帕奇配置单元 2，而在 EMR 6.x 中使用 OOS 阿帕奇配置单元 3。开源 Hive2 使用分段版本 1，而开源 Hive3 使用分段版本 2。Hive 2（EMR 5.x）和 Hive 3（EMR 6.x）之间的这个分段版本差异意味着 Hive 分段散列函数不同。请参见以下示例。

  下表分别是在 EMR 6.x 和 EMR 5.x 中创建的示例。

  -- Using following LOCATION in EMR 6.x
  CREATE TABLE test_bucketing (id INT, desc STRING)
  PARTITIONED BY (day STRING)
  CLUSTERED BY(id) INTO 128 BUCKETS
  LOCATION 's3://your-own-s3-bucket/emr-6-bucketing/';
  
  -- Using following LOCATION in EMR 5.x 
  LOCATION 's3://your-own-s3-bucket/emr-5-bucketing/';

  在 EMR 6.x 和 EMR 5.x 中插入相同的数据。

  INSERT INTO test_bucketing PARTITION (day='01') VALUES(66, 'some_data');
  INSERT INTO test_bucketing PARTITION (day='01') VALUES(200, 'some_data');

  检查 S3 位置，显示存储桶文件名不同，因为散列函数在 EMR 6.x（Hive 3）和 EMR 5.x（Hive 2）之间不同。

  [hadoop@ip-10-0-0-122 ~]$ aws s3 ls s3://your-own-s3-bucket/emr-6-bucketing/day=01/
  2020-10-21 20:35:16         13 000025_0
  2020-10-21 20:35:22         14 000121_0
  [hadoop@ip-10-0-0-122 ~]$ aws s3 ls s3://your-own-s3-bucket/emr-5-bucketing/day=01/
  2020-10-21 20:32:07         13 000066_0
  2020-10-21 20:32:51         14 000072_0
  

  您还可以通过在 EMR 6.x 的 Hive CLI 中运行以下命令来查看版本差异。请注意，它返回分段版本 2。

  hive> DESCRIBE FORMATTED test_bucketing;
  ...
  Table Parameters:
      bucketing_version       2
  ...

Amazon EMR 版本 6.1.0

• Application versions

• Release notes

• Component versions

• Configuration classifications

• 6.x 系列亚马逊 EMR 发布版本的应用程序版本 (PNG)

• 5.x 系列亚马逊 EMR 发布版本的应用程序版本 (PNG)

• 4.x 系列亚马逊 EMR 发布版本的应用程序版本 (PNG)

支持的应用程序

• Amazon SDK for Java版本 1.11.828

• Flink 版本 1.11.0

• Ganglia 版本 3.7.2

• Hadoop 版本 3.2.1-amzn-1

• HBase 版本 2.2.5

• HBase 操作员-工具 1.0.0

• HCatalog 版本 3.1.2-amzn-0

• Hive 版本 3.1.2-amzn-1

• Hudi 版本 0.5.2-incubating

• Hue 版本 4.7.1

• JupyterHub 版本 1.1.0

• Livy 版本 0.7.0

• MxNet 版本 1.6.0

• Oozie 版本 5.2.0

• Phoenix 版本 5.0.0

• Presto 版本 0.232

• PrestoSQL 版本 338

• 火花版本 3.0.0-amzn-0

• TensorFlow 版本 2.1.0

• Zeppelin 版本 0.9.0-preview1

• Zookeeper 版本 3.4.14

• 连接器和驱动器：DynamoDB 连接器 4.14.0

新功能

• 从 Amazon EMR 版本 5.30.0 和 Amazon EMR 版本 6.1.0 开始支持 ARM 实例类型。

• 从亚马逊 EMR 6.1.0 版和 5.30.0 版开始，支持 M6g 通用实例类型。有关更多信息，请参阅 。支持的实例类型中的Amazon EMR 管理指南。

• 从 Amazon EMR 5.23.0 版开始支持 EC2 置放组功能，作为多个主节点集群的一个选项。目前，置放群组要素仅支持主节点类型，SPREAD策略应用于这些主节点。这些区域有：SPREAD策略在不同的底层硬件中放置一小组实例，以防止在发生硬件故障时丢失多个主节点。有关更多信息，请参阅 。EMR 与 EC2 置放群组的集成中的Amazon EMR 管理指南。

• 托管扩展 — 使用 Amazon EMR 6.1.0 版本，您可以启用 EMR 托管扩展，以根据工作负载自动增加或减少集群中实例或单元的数量。EMR 会持续评估集群指标，以便做出扩展决策，从而优化集群的成本和速度。托管扩展也适用于 Amazon EMR 版本 5.30.0 及更高版本，6.0.0 除外。有关更多信息，请参阅 。扩展群集资源中的Amazon EMR 管理指南。

• EMR 6.1.0 支持 PrestoSQL 版本 338。有关更多信息，请参阅 。Presto。

  • 仅在 EMR 6.1.0 及更高版本上支持 PrestoSQL，而不是在 EMR 6.0.0 或 EMR 5.x 上。

  • 应用程序名称Presto继续用于在群集上安装 PrestoDB。要在群集上安装 PrestoSQL，请使用应用程序名称PrestoSQL。

  • 您可以安装 PrestoDB 或 PrestoSQL，但不能在单个群集上安装两者。如果在尝试创建集群时同时指定了 PrestoDB 和 PrestoSQL，则会发生验证错误并且集群创建请求失败。

  • PrestoSQL 在单主集群和多主集群上均受支持。在多主体群集上，需要外部 Hive 元数据仓才能运行 PrestoSQL 或 PrestoDB。请参阅具有多个主节点的 EMR 集群中支持的应用程序。

• 在 Apache Hadoop 和 Apache Spark 上使用码头提供 ECR 自动身份验证支持：Spark 用户可以使用 Docker Hub 和 Amazon Elastic Container Registry (Amazon ECR) 中的 Docker 映像定义环境和库依赖项。

  配置 Docker和使用 Amazon EMR 6.x 通过 Docker 运行 Spark 应用程序。

• EMR 支持阿帕奇蜂巢 ACID 事务：亚马逊 EMR 6.1.0 增加了对蜂巢 ACID 交易的支持，因此它符合数据库的 ACID 属性。使用此功能，您可以使用 Amazon Simple Storage Service (Amazon S3) 中的数据在 Hive 托管表中运行插入、更新、删除和合并操作。这是用例如流式传输、数据重新陈述、使用 MERGE 批量更新以及缓慢更改维度的关键功能。有关包括配置示例和使用案例在内的更多信息，请参阅亚马逊 EMR 支持阿帕奇蜂巢 ACID 交易。

更改、增强和已解决的问题

• 在 EMR 6.0.0 上不支持 Apache Fink，但在使用 Flink 1.11.0 的 EMR 6.1.0 上支持它。这是 Fink 正式支持 Hadoop 3 的第一个版本。请参阅Apache Flink 1.11.0 发行公告。

• 神经节已从默认 EMR 6.1.0 软件包中删除。

已知问题

• 较早的 AL2 上的 “最大打开文件” 限制较低。 亚马逊 EMR 版本：EMR 5.30.x、EMR-5.31.0、EMR-5.32.0、EMR-6.0.0、EMR-6.1.0 和 EMR-6.2.0 基于旧版本的 OFAMZON Linux 2 (AL2)，当使用默认 AMI 创建 EMR 集群时，这些版本的下限设置为 “最大打开文件”。提交 Spark 作业时，打开的文件下限会导致 “打开的文件过多” 错误。在受影响的 EMR 版本中，亚马逊 EMR 默认 AMI 对于 “最大打开文件” 的默认限制设置为 4096，低于最新亚马逊 Linux 2 AMI 中的 65536 文件限制。当 Spark 驱动程序和执行程序尝试打开超过 4096 个文件时，“最大打开文件” 的下限设置会导致 Spark 作业失败。要修复此问题，Amazon EMR 有一个引导操作 (BA) 脚本，用于在创建集群时调整 ulimit 设置。亚马逊 EMR 6.3.0 和 5.33.0 版将包括一个具有更高 “最大打开文件” 设置的永久修复程序。

  此问题的以下解决方法允许您显式将实例控制器 ulimit 设置为最多 65536 文件。

  从命令行显式设置 ulimit

  1. 编辑/etc/systemd/system/instance-controller.service将以下参数添加到服务部分。

     LimitNOFILE=65536

     LimitNPROC=65536

  2. 重启实例 Controller

     $ sudo systemctl daemon-reload

     $ sudo systemctl restart instance-controller

  使用引导操作设置 u限制 (BA)

  您还可以使用引导操作 (BA) 脚本在群集创建时将实例控制器 ulimit 配置为 65536 个文件。

  #!/bin/bash
  for user in hadoop spark hive; do
  sudo tee /etc/security/limits.d/$user.conf << EOF
  $user - nofile 65536
  $user - nproc 65536
  EOF
  done
  for proc in instancecontroller logpusher; do
  sudo mkdir -p /etc/systemd/system/$proc.service.d/
  sudo tee /etc/systemd/system/$proc.service.d/override.conf << EOF
  [Service]
  LimitNOFILE=65536
  LimitNPROC=65536
  EOF
  pid=$(pgrep -f aws157.$proc.Main)
  sudo prlimit --pid $pid --nofile=65535:65535 --nproc=65535:65535
  done
  sudo systemctl daemon-reload

• 重要

  亚马逊 EMR 6.1.0 和 6.2.0 包含可能严重影响所有 Hudi 插入、插入和删除操作的性能问题。如果您计划将 Hudi 与亚马逊 EMR 6.1.0 或 6.2.0 结合使用，请联系Amazon支持，以获得修补的胡迪 RPM。

• 如果将自定义垃圾回收配置设置为spark.driver.extraJavaOptions和spark.executor.extraJavaOptions，这将导致 EMR 6.1 驱动程序/执行程序启动失败，因为垃圾回收配置冲突。使用 EMR 6.1.0 版，您应该为驱动程序和执行程序指定自定义 Spark 垃圾回收配置，其属性spark.driver.defaultJavaOptions和spark.executor.defaultJavaOptions相反。阅读更多信息Apache Spark 运行时环境和在亚马逊 EMR 6.1.0 上配置火花垃圾回收。

• 在 Oozie 中使用 Pig（以及在 Hue 中，因为 Hue 使用 Oozie 操作来运行 Pig 脚本）会生成一个错误，即无法加载本地 lzo 库。此错误消息是信息性的，不会阻止 Pig 运行。

• Hudi 并发 Support：目前 Hudi 不支持并发写入单个 Hudi 表。此外，Hudi 在允许新作家启动之前回滚正在进行的作者所做的任何更改。并发写入可能会干扰此机制并引入竞争条件，从而导致数据损坏。您应确保作为数据处理工作流的一部分，任何时候都只有一个 Hudi 写入器对胡迪表进行操作。Hudi 确实支持多个并发读取器对同一 Hudi 表进行操作。

• 具有多个主节点和 Kerberos 身份验证的群集中的已知问题

  如果在 EMR 5.20.0 版及更高版本中运行具有多个主节点和 Kerberos 身份验证的群集，则在群集运行一段时间后，您可能会遇到群集操作（如缩小或步骤提交）的问题。时间段取决于您定义的 Kerberos 票证有效期。缩小问题会影响您提交的自动缩小和显式缩小请求。其他群集操作也可能受到影响。

  解决办法：

  • SSH 作为hadoop用户连接到具有多个主节点的 EMR 群集的领导主节点。

  • 运行以下命令来续订hadoop用户。

    kinit -kt <keytab_file> <principal>

    通常情况下，密钥表文件位于/etc/hadoop.keytab和本金采用格式hadoop/<hostname>@<REALM>。

  注意

  此替代方法将在 Kerberos 票证有效的时间段内生效。默认情况下，此持续时间为 10 小时，但可以通过 Kerberos 设置进行配置。一旦 Kerberos 票证过期，您必须重新运行上述命令。

• 亚马逊 EMR 6.1.0 中存在影响运行 Presto 的集群的问题。经过较长的一段时间（天）后，群集可能会抛出错误，例如 “su: 无法执行 /bin/bash：资源暂时不可用” 或 “通道 0 上的 shell 请求失败”。此问题是由内部 Amazon EMR 进程（即时控制器）产生过多的轻量级进程 (LWP) 导致的，这最终导致 Hadoop 用户超出其 nproc 限制。这可以防止用户打开其他进程。此问题的解决方案是升级到 EMR 6.2.0。

Amazon EMR 版本 6.0.0

• Application versions

• Release notes

• Component versions

• Configuration classifications

• 6.x 系列亚马逊 EMR 发布版本的应用程序版本 (PNG)

• 5.x 系列亚马逊 EMR 发布版本的应用程序版本 (PNG)

• 4.x 系列亚马逊 EMR 发布版本的应用程序版本 (PNG)

支持的应用程序

• Amazon SDK for Java 版本 1.11.711

• Ganglia 版本 3.7.2

• Hadoop 版本 3.2.1

• HBase 版本 2.2.3

• HCatalog 版本 3.1.2

• Hive 版本 3.1.2

• Hudi 版本 0.5.0-incubating

• Hue 版本 4.4.0

• JupyterHub 版本 1.0.0

• Livy 版本 0.6.0

• MXNet 版本 1.5.1

• Oozie 版本 5.1.0

• Phoenix 版本 5.0.0

• Presto 版本 0.230

• Spark 版本 2.4.4

• TensorFlow 版本 1.14.0

• Zeppelin 版本 0.9.0-SNAPSHOT

• Zookeeper 版本 3.4.14

• 连接器和驱动器：DynamoDB 连接器 4.14.0

新功能

• YARN Docker 运行时支持 - YARN 应用程序（例如 Spark 作业）现在可以在 Docker 容器的上下文中运行。这可让您轻松定义 Docker 映像中的依赖项，而无需在 Amazon EMR 集群上安装自定义库。有关更多信息，请参阅 。配置 Docker 集成和使用 Amazon EMR 6.0.0 通过 Docker 运行 Spark 应用程序。

• Hive LLAP 支持 - Hive 现在支持 LLAP 执行模式以提高查询性能。有关更多信息，请参阅使用 Hive LLAP。

更改、增强和已解决的问题

• Amazon Linux

  • Amazon Linux 2 是 EMR 6.x 发布版本系列的操作系统。

  • systemd用于服务管理，而不是upstart在亚马逊 Linux 中使用过 1.

• Java 开发工具包 (JDK)

  • Coretto JDK 8 是 EMR 6.x 发布版本系列的默认 JDK。

• Scala

  • Scala 2.12 与 Apache Spark 和 Apache Livy 一起使用。

• Python 3

  • Python 3 现在是 EMR 中的默认 Python 版本。

• YARN 节点标签

  • 从 Amazon EMR 6.x 发行版系列开始，默认情况下禁用 YARN 节点标签功能。默认情况下，应用程序主进程可以在核心节点和任务节点上运行。您可以通过配置以下属性来启用 YARN 节点标签功能：yarn.node-labels.enabled 和 yarn.node-labels.am.default-node-label-expression。有关更多信息，请参阅了解主节点、核心节点和任务节点。

已知问题

• 较早的 AL2 上的 “最大打开文件” 限制较低。 亚马逊 EMR 版本：EMR 5.30.x、EMR-5.31.0、EMR-5.32.0、EMR-6.0.0、EMR-6.1.0 和 EMR-6.2.0 基于旧版本的 OFAMZON Linux 2 (AL2)，当使用默认 AMI 创建 EMR 集群时，这些版本的下限设置为 “最大打开文件”。提交 Spark 作业时，打开的文件下限会导致 “打开的文件过多” 错误。在受影响的 EMR 版本中，亚马逊 EMR 默认 AMI 对于 “最大打开文件” 的默认限制设置为 4096，低于最新亚马逊 Linux 2 AMI 中的 65536 文件限制。当 Spark 驱动程序和执行程序尝试打开超过 4096 个文件时，“最大打开文件” 的下限设置会导致 Spark 作业失败。要修复此问题，Amazon EMR 有一个引导操作 (BA) 脚本，用于在创建集群时调整 ulimit 设置。亚马逊 EMR 6.3.0 和 5.33.0 版将包括一个具有更高 “最大打开文件” 设置的永久修复程序。

  此问题的以下解决方法允许您显式将实例控制器 ulimit 设置为最多 65536 文件。

  从命令行显式设置 ulimit

  1. 编辑/etc/systemd/system/instance-controller.service将以下参数添加到服务部分。

     LimitNOFILE=65536

     LimitNPROC=65536

  2. 重启实例 Controller

     $ sudo systemctl daemon-reload

     $ sudo systemctl restart instance-controller

  使用引导操作设置 u限制 (BA)

  您还可以使用引导操作 (BA) 脚本在群集创建时将实例控制器 ulimit 配置为 65536 个文件。

  #!/bin/bash
  for user in hadoop spark hive; do
  sudo tee /etc/security/limits.d/$user.conf << EOF
  $user - nofile 65536
  $user - nproc 65536
  EOF
  done
  for proc in instancecontroller logpusher; do
  sudo mkdir -p /etc/systemd/system/$proc.service.d/
  sudo tee /etc/systemd/system/$proc.service.d/override.conf << EOF
  [Service]
  LimitNOFILE=65536
  LimitNPROC=65536
  EOF
  pid=$(pgrep -f aws157.$proc.Main)
  sudo prlimit --pid $pid --nofile=65535:65535 --nproc=65535:65535
  done
  sudo systemctl daemon-reload

• Spark 交互式 shell（包括 PySpark、SparkR 和 spark-shell）不支持将 Docker 与其他库一起使用。

• 要在亚马逊 EMR 6.0.0 版中使用 Python 3，您必须将PATH到yarn.nodemanager.env-whitelist。

• 当您使用时，不支持 Live Long at Process (LLAP) 功能。AmazonGlue 数据目录作为 Hive 的元存储。

• 将 Amazon EMR 6.0.0 与 Spark 和 Docker 集成一起使用时，您需要使用相同的实例类型和相同数量的 EBS 卷配置集群中的实例，以避免在使用 Docker 运行时提交 Spark 作业时出现故障。

• 在亚马逊 EMR 6.0.0 中，HBase Amazon S3 存储模式受HBASE-24286. 问题。使用现有 S3 数据创建集群时，HBase 主服务器无法初始化。

• 具有多个主节点和 Kerberos 身份验证的群集中的已知问题

  如果在 EMR 5.20.0 版及更高版本中运行具有多个主节点和 Kerberos 身份验证的群集，则在群集运行一段时间后，您可能会遇到群集操作（如缩小或步骤提交）的问题。时间段取决于您定义的 Kerberos 票证有效期。缩小问题会影响您提交的自动缩小和显式缩小请求。其他群集操作也可能受到影响。

  解决办法：

  • SSH 作为hadoop用户连接到具有多个主节点的 EMR 群集的领导主节点。

  • 运行以下命令来续订hadoop用户。

    kinit -kt <keytab_file> <principal>

    通常情况下，密钥表文件位于/etc/hadoop.keytab和本金采用格式hadoop/<hostname>@<REALM>。

  注意

  此替代方法将在 Kerberos 票证有效的时间段内生效。默认情况下，此持续时间为 10 小时，但可以通过 Kerberos 设置进行配置。一旦 Kerberos 票证过期，您必须重新运行上述命令。