您可以通过创建EMR(E-MapReduce) MR节点,将一个大规模数据集拆分为多个Map任务并行处理,实现大规模数据集的并行运算。本文为您介绍如何创建EMR MR节点,并以使用MR节点实现从OSS中读取文本,统计其中单词的数量为例,为您展示EMR MR节点的作业开发流程。

前提条件

  • EMR引擎类型包括新版数据湖(DataLake)及数据湖(Hadoop),不同类型引擎创建节点前需执行的准备工作不同。您需要根据实际情况完成EMR侧及DataWorks侧的准备工作,详情请参见DataLake集群配置DataWorks配置
  • 使用EMR MR节点进行作业开发时,如果需要引用开源代码资源,您需先将开源代码作为资源上传至EMR JAR资源节点中,详情请参见创建和使用EMR资源
  • 使用EMR MR节点进行作业开发时,如果需要引用自定义函数时,您需要先将自定义函数作为资源上传至EMR JAR资源节点中,新建注册此函数,详情请参见注册EMR函数
  • 如果您使用本文的作业开发示例执行相关作业流程,则还需要创建好OSS的存储空间Bucket。创建OSS的存储空间Bucket,详情请参见创建存储空间

背景信息

本文以使用MR节点实现从OSS中读取文本,统计其中单词的数量为例,为您展示EMR MR节点的作业开发流程。涉及的文件名称、Bucket名称及路径等信息,在实际使用中,您需要替换为实际使用的相关信息。

使用限制

  • 仅支持使用独享调度资源组运行该类型任务。
  • DataWorks目前已不支持新绑定Hadoop类型的集群,但您之前已经绑定的Hadoop集群仍然可以继续使用。

准备初始数据及JAR资源包

  1. 准备初始数据。
    创建input01.txt文件,文件内容如下。
    hadoop emr hadoop dw
    hive hadoop
    dw emr
  2. 创建初始数据及JAR资源的存放目录。
    1. 登录OSS管理控制台
    2. 单击左侧导航栏的Bucket列表
    3. 单击目标Bucket名称,进入文件管理页面。
      本文示例使用的Bucket为onaliyun-bucket-2
    4. 单击新建目录,创建初始数据及JAR资源的存放目录。
      • 配置目录名emr/datas/wordcount02/inputs,创建初始数据的存放目录。
      • 配置目录名emr/jars,创建JAR资源的存放目录。
    5. 上传初始数据文件至初始数据的存放目录。
      1. 进入/emr/datas/wordcount02/inputs路径。
      2. 单击上传文件
      3. 待上传文件区域单击扫描文件,添加input01.txt文件至Bucket。上传文件
      4. 单击上传文件
  3. 使用MapReduce读取OSS文件并生成JAR包。
    1. 打开已创建的IDEA项目,添加pom依赖。
              <dependency>
                  <groupId>org.apache.hadoop</groupId>
                  <artifactId>hadoop-mapreduce-client-common</artifactId>
                  <version>2.8.5</version> <!--因为EMR-MR用的是2.8.5-->
              </dependency>
              <dependency>
                  <groupId>org.apache.hadoop</groupId>
                  <artifactId>hadoop-common</artifactId>
                  <version>2.8.5</version>
              </dependency>
    2. 在MapReduce中读写OSS文件,需要配置如下参数。
      conf.set("fs.oss.accessKeyId", "${accessKeyId}");
      conf.set("fs.oss.accessKeySecret", "${accessKeySecret}");
      conf.set("fs.oss.endpoint","${endpoint}");
      参数说明如下:
      • ${accessKeyId}:阿里云账号的AccessKey ID。
      • ${accessKeySecret}:阿里云账号的AccessKey Secret。
      • ${endpoint}:OSS对外服务的访问域名。由您集群所在的地域决定,对应的OSS也需要是在集群对应的地域,详情请参见访问域名和数据中心
      以Java代码为例,修改Hadoop官网WordCount示例,即在代码中添加AccessKey ID和AccessKey Secret的配置,以便作业有权限访问OSS文件。
      package cn.apache.hadoop.onaliyun.examples;
      
      import java.io.IOException;
      import java.util.StringTokenizer;
      
      import org.apache.hadoop.conf.Configuration;
      import org.apache.hadoop.fs.Path;
      import org.apache.hadoop.io.IntWritable;
      import org.apache.hadoop.io.Text;
      import org.apache.hadoop.mapreduce.Job;
      import org.apache.hadoop.mapreduce.Mapper;
      import org.apache.hadoop.mapreduce.Reducer;
      import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
      import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
      import org.apache.hadoop.util.GenericOptionsParser;
      
      public class EmrWordCount {
          public static class TokenizerMapper
                  extends Mapper<Object, Text, Text, IntWritable> {
              private final static IntWritable one = new IntWritable(1);
              private Text word = new Text();
      
              public void map(Object key, Text value, Context context
              ) throws IOException, InterruptedException {
                  StringTokenizer itr = new StringTokenizer(value.toString());
                  while (itr.hasMoreTokens()) {
                      word.set(itr.nextToken());
                      context.write(word, one);
                  }
              }
          }
      
          public static class IntSumReducer
                  extends Reducer<Text, IntWritable, Text, IntWritable> {
              private IntWritable result = new IntWritable();
      
              public void reduce(Text key, Iterable<IntWritable> values,
                                 Context context
              ) throws IOException, InterruptedException {
                  int sum = 0;
                  for (IntWritable val : values) {
                      sum += val.get();
                  }
                  result.set(sum);
                  context.write(key, result);
              }
          }
      
          public static void main(String[] args) throws Exception {
              Configuration conf = new Configuration();
              String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
              if (otherArgs.length < 2) {
                  System.err.println("Usage: wordcount <in> [<in>...] <out>");
                  System.exit(2);
              }
              conf.set("fs.oss.accessKeyId", "${accessKeyId}"); // 
              conf.set("fs.oss.accessKeySecret", "${accessKeySecret}"); // 
              conf.set("fs.oss.endpoint", "${endpoint}"); //
              Job job = Job.getInstance(conf, "word count");
              job.setJarByClass(EmrWordCount.class);
              job.setMapperClass(TokenizerMapper.class);
              job.setCombinerClass(IntSumReducer.class);
              job.setReducerClass(IntSumReducer.class);
              job.setOutputKeyClass(Text.class);
              job.setOutputValueClass(IntWritable.class);
              for (int i = 0; i < otherArgs.length - 1; ++i) {
                  FileInputFormat.addInputPath(job, new Path(otherArgs[i]));
              }
              FileOutputFormat.setOutputPath(job,
                      new Path(otherArgs[otherArgs.length - 1]));
              System.exit(job.waitForCompletion(true) ? 0 : 1);
          }
      }
                                      
    3. 编辑完上述Java代码后将该代码生成JAR包。示例生成的JAR包为onaliyun_mr_wordcount-1.0-SNAPSHOT.jar

创建并使用EMR MR节点

本文以使用MR节点实现从OSS中读取文本,统计其中单词的数量为例,为您展示EMR MR节点的作业开发流程。

  1. 进入数据开发页面。
    1. 登录DataWorks控制台
    2. 在左侧导航栏,单击工作空间列表
    3. 选择工作空间所在地域后,单击相应工作空间后的数据开发
  2. 创建业务流程
    如果您已有业务流程,则可以忽略该步骤。
    1. 鼠标悬停至新建图标,选择新建业务流程
    2. 新建业务流程对话框,输入业务名称
    3. 单击新建
  3. 创建EMR MR节点。
    1. 鼠标悬停至新建图标,选择新建节点 > EMR > EMR MR
      您也可以找到相应的业务流程,右键单击业务流程,选择新建节点 > EMR > EMR MR
    2. 新建节点对话框中,输入名称,并选择引擎实例节点类型路径
      说明 节点名称必须是大小写字母、中文、数字、下划线(_)和小数点(.),且不能超过128个字符。
    3. 单击提交,进入EMR MR节点编辑页面。
  4. 创建并引用EMR JAR资源。
    说明 若EMR MR节点依赖的资源较大,则无法通过DataWorks页面上传。您可将资源存放至HDFS上,然后在代码中进行引用。代码示例如下。
    spark-submit --master yarn
    --deploy-mode cluster
    --name SparkPi
    --driver-memory 4G
    --driver-cores 1
    --num-executors 5
    --executor-memory 4G
    --executor-cores 1
    --class org.apache.spark.examples.JavaSparkPi
    hdfs:///tmp/jars/spark-examples_2.11-2.4.8.jar 100
    1. 创建EMR JAR资源。
      创建EMR JAR资源,详情请参见创建和使用EMR资源。示例将本文准备初始数据及JAR资源包种生成的JAR包存储在JAR资源的存放目录emr/jars下。首次使用需要进行一键授权新建JAR资源
    2. 引用EMR JAR资源。
      1. 打开创建的EMR MR节点,停留在代码编辑页面。
      2. EMR > 资源节点下,找到待引用资源(示例为onaliyun_mr_wordcount-1.0-SNAPSHOT.jar.),右键选择引用资源引用资源
      3. 选择引用后,当EMR MR节点的代码编辑页面出现如下引用成功提示时,表明已成功引用代码资源。此时,需要执行下述命令。如下命令涉及的资源包、Bucket名称、路径信息等为本文示例的内容,使用时,您需要替换为实际使用的信息。
        ##@resource_reference{"onaliyun_mr_wordcount-1.0-SNAPSHOT.jar"}
        onaliyun_mr_wordcount-1.0-SNAPSHOT.jar cn.apache.hadoop.onaliyun.examples.EmrWordCount oss://onaliyun-bucket-2/emr/datas/wordcount02/inputs oss://onaliyun-bucket-2/emr/datas/wordcount02/outputs
        说明 EMR MR节点编辑代码时不支持注释语句。
        资源引用成功
  5. 编辑高级设置
    不同类型EMR集群涉及配置的高级参数有差异,具体如下表。
    集群类型 高级参数
    新版数据湖(DataLake)
    • “queue”:提交作业的调度队列,默认为default队列。
    • “priority”:优先级,默认为1。
    说明 您也可以直接在高级配置里追加自定义MR任务参数。提交代码时DataWorks会自动在命令中通过-D key=value语句加上新增的参数。
    数据湖(Hadoop)
    • “queue”:提交作业的调度队列,默认为default队列。
    • “vcores”: 虚拟核数,默认为1。
    • “memory”:内存,默认为2048MB(用于设置启动器Launcher的内存配额)。
    • “priority”:优先级,默认为1。
    • “FLOW_SKIP_SQL_ANALYZE”:SQL语句执行方式。取值如下:
      • true:表示每次执行多条SQL语句。
      • false:表示每次执行一条SQL语句。
    • “USE_GATEWAY”:设置本节点提交作业时,是否通过Gateway集群提交。取值如下:
      • true:通过Gateway集群提交。
      • false:不通过Gateway集群提交,默认提交到header节点。
      说明 如果本节点所在的集群未关联Gateway集群,此处手动设置参数取值为true时,后续提交EMR作业时会失败。
  6. 任务调度配置。
    如果您需要周期性执行创建的节点任务,可以单击节点编辑页面右侧的调度配置,根据业务需求配置该节点任务的调度信息:
  7. 提交并发布节点任务。
    1. 单击工具栏中的保存图标,保存节点。
    2. 单击工具栏中的提交图标,提交节点任务。
    3. 提交新版本对话框中,输入变更描述
    4. 单击确定
    如果您使用的是标准模式的工作空间,任务提交成功后,需要将任务发布至生产环境进行发布。请单击顶部菜单栏左侧的任务发布。具体操作请参见发布任务
  8. 查看周期调度任务。
    1. 单击编辑界面右上角的运维,进入生产环境运维中心。
    2. 查看运行的周期调度任务,详情请参见查看并管理周期任务
    如果您需要查看更多周期调度任务详情,可单击顶部菜单栏的运维中心,详情请参见运维中心概述

查看结果

  • 登录OSS管理控制台,您可以在目标Bucket的初始数据存放目录下查看写入结果。示例路径为emr/datas/wordcount02/inputs目标Bucket
  • 在DataWorks读取统计结果。
    1. 新建EMR Hive节点,详情请参见创建EMR Hive节点
    2. 在EMR Hive节点中创建挂载在OSS上的Hive外表,读取表数据。代码示例如下。
      CREATE EXTERNAL TABLE IF NOT EXISTS wordcount02_result_tb
      (
          `word` STRING COMMENT '单词',
          `cout` STRING COMMENT '计数'   
      ) 
      ROW FORMAT delimited fields terminated by '\t'
      location 'oss://onaliyun-bucket-2/emr/datas/wordcount02/outputs/';
      
      SELECT * FROM wordcount02_result_tb;
      运行结果如下图。运行结果