Diferenzas
Isto amosa as diferenzas entre a revisión seleccionada e a versión actual da páxina.
Both sides previous revisionPrevious revisionNext revision | Previous revisionNext revisionBoth sides next revision | ||
inv:desenvolvemento:amazon_elastic_mapreduce [2015/05/22 17:28] – ismael.rodriguez | inv:desenvolvemento:amazon_elastic_mapreduce [2015/11/12 19:06] – [Ejecutar un trabajo] ismael.rodriguez | ||
---|---|---|---|
Liña 1: | Liña 1: | ||
====== Amazon Elastic MapReduce ====== | ====== Amazon Elastic MapReduce ====== | ||
- | + | Amazon Elastic MapReduce ([[http:// | |
- | Amazon Elastic MapReduce ([[http:// | + | |
===== Creación de un cluster con EMR ===== | ===== Creación de un cluster con EMR ===== | ||
- | ==== Almacenamento | + | Un cluster EMR suele tener un ciclo de vida totalmente automatizado y que se establece en el momento de su creación. El proceso general sería: |
- | ==== Configuración | + | * Lanzamiento de las instancias EC2 de las que se compone el cluster |
+ | * Ejecución de los scripts de instalación, | ||
+ | * Trabajos a realizar (Steps) normalmente consistentes en carga de datos de entrada, procesamiento de los mismos, y almacenado de los resultados. | ||
+ | * Apagado automático del cluster una vez se han terminado todos los steps. | ||
+ | |||
+ | En las siguientes subsecciones se explican todos lo básico para poder lanzar un cluster EMR y analizar los resultados de las ejecuciones. | ||
+ | |||
+ | ==== Almacenamiento | ||
+ | Amazon EMR puede hacer uso de Amazon S3 como almacenamiento de los datos de entrada, los ficheros de log y los datos de salida. Para más información sobre este tipo de sistema de almacenamiento visita la [[http:// | ||
+ | |||
+ | Para crear un nuevo contenedor de datos S3 (bucket), solamente es necesario entrar en el servicio S3 y pulsar " | ||
+ | {{ : | ||
+ | |||
+ | Una vez creado el contenedor, suele ser una buena práctica organizarlo de la siguiente manera: | ||
+ | * Crear una carpeta '' | ||
+ | * Crear una carpeta '' | ||
+ | * Crear una carpeta '' | ||
+ | Además, será necesario tener en este contenedor todo lo necesario para el trabajo que se vaya a ejecutar en el cluster, así como los diferentes scripts de configuración (tal como se comenta en la siguiente sección). | ||
+ | {{ : | ||
+ | |||
+ | ==== Configuración | ||
+ | Una vez se dispone de un contenedor S3, ya es posible lanzar un cluster EMR plenamente útil. Después de pulsar en '' | ||
+ | {{ : | ||
+ | |||
+ | El siguiente paso es la configuración del software que estará disponible en el cluster. En primer lugar se elige la distribución de Hadoop preconfigurada por amazon (versión mayor que emr-4.0.0). Además, es posible añadir software adicional que proporciona Amazon. Es importante que entre este software se encuentre Spark. | ||
+ | {{ : | ||
+ | |||
+ | Es importante configurar Spark para que use todos los recursos disponibles en los nodos. Para ello, una configuración básica para introducir en '' | ||
+ | <code bash> | ||
+ | [{" | ||
+ | </ | ||
+ | |||
+ | Una vez configurado el software, se continua con la configuración del hardware. La configuración más típica se compone por un nodo '' | ||
+ | {{ : | ||
+ | |||
+ | También es posible añadir un par de [[https:// | ||
+ | {{ : | ||
+ | |||
+ | Además del software preconfigurado por amazon, se pueden realizar más acciones de instalación de software o configuración mediante acciones de lanzamiento (Bootstrap actions). | ||
+ | {{ : | ||
+ | Para añadir una nueva acción de lanzamiento, | ||
+ | {{ : | ||
+ | |||
+ | Por último, aunque es posible añadir trabajos una vez desplegado el cluster, el procedimiento habitual y más seguro es añadir los trabajos ('' | ||
+ | {{ : | ||
+ | Por ejemplo, para añadir la ejecución de un archivo '' | ||
+ | {{ : | ||
+ | |||
==== Logs ==== | ==== Logs ==== | ||
+ | Durante el despliegue y ejecución del cluster, se irán generando una serie de logs que serán guardados en la carpeta indicada dentro del contenedor S3 ([[http:// | ||
- | ===== Spark sobre EMR ====== | + | De entre los logs generados, cabe destacar: |
- | ==== Instalar | + | * ''/< |
+ | * ''/< | ||
+ | * controller — Información | ||
+ | * syslog — Describe la ejecución del trabajo mediante hadoop. | ||
+ | * stderr — La salida estandar de error del trabajo (en Spark suele ser aquí donde están los logs generados por la ejecución del trabajo) | ||
+ | * stdout — La salida estandar del trabajo. | ||
- | ==== Executar un traballo ==== | ||
- | * **Step type**: Custom JAR | ||
- | * **JAR Location**: <code bash> | ||
- | * **Arguments**: | ||
- | ===== Java 8 en EMR ===== | ||
+ | ===== Spark sobre EMR ====== | ||
+ | Desde la versión 4 de la imagen de Hadoop de Amazon ('' | ||
+ | |||
+ | ==== Ejecutar un trabajo ==== | ||
+ | Para ejecutar un trabajo sobre Spark, las opciones son las siguientes (sustituir los argumentos entre <> por sus valores reales): | ||
+ | * **Step type**: Spark application | ||
+ | * **Deploy mode**: Cluster | ||
+ | * **Spark-submit options**: '' | ||
+ | * **Applicaiton location**: Ruta al archivo en una unidad S3. | ||
+ | * **Arguments**: | ||
+ | {{ : | ||
+ | ==== Lectura y escritura en S3 ==== | ||
+ | Spark es capaz de leer y escribir mediante el protocolo s3 sin necesidad de realizar cambios. | ||
+ | |||
+ | ===== Java 8 en EMR ===== | ||
+ | La última versión AMI disponible (3.7.0) contiene como versión java 7. Para aquellos que usan java 8 (algo común en este tipo de entorno, por el uso de funciones lambda), pueden instalarlo en el cluster mediante un script ejecutado como bootstrap action. Para ello, solo es necesario almacenar en el contenedor S3 el siguiente script (([[https:// | ||
<code bash> | <code bash> | ||
# Check java version | # Check java version |