文档

创建EMR Shell节点

更新时间:

为了满足特定业务需求,您可以在DataWorks中创建EMR Shell节点。通过自定义编辑Shell脚本,您能够进行数据处理、调用Hadoop组件、操作文件等高级功能。本文介绍了如何在DataWorks里配置和使用EMR Shell节点,以便您编辑和运行Shell脚本。

背景信息

本节点支持使用OSS REF方式引用OSS资源,详情请参见方案一:直接引用OSS资源

说明

如果您在开发任务时,需要特定的开发环境支持,可使用DataWorks提供的自定义镜像功能,定制化构建任务执行所需的组件镜像。更多信息,请参见镜像管理

前提条件

  • 数据开发(DataStudio)中已创建业务流程。

    数据开发(DataStudio)基于业务流程对不同开发引擎进行具体开发操作,所以您创建节点前需要先新建业务流程,操作详情请参见创建业务流程

  • 已创建阿里云EMR集群,并注册EMR集群至DataWorks。

    创建EMR相关节点并开发EMR任务前,您需要先将EMR集群注册至DataWorks工作空间,操作详情请参见注册EMR集群至DataWorks

  • (可选,RAM账号需要)进行任务开发的RAM账号已被添加至对应工作空间中,并具有开发空间管理员(权限较大,谨慎添加)角色权限,添加成员的操作详情请参见为工作空间添加空间成员

  • 已购买独享调度资源组并完成资源组配置,包括绑定工作空间、网络配置等,详情请参见新增和使用独享调度资源组

使用限制

  • 该类任务不支持公共调度资源组运行,支持在2023年12月1号之后购买的资源组运行。

  • DataLake或自定义集群若要在DataWorks管理元数据,需先在集群侧配置EMR-HOOK。若未配置,则在DataWorks中无法实时展示元数据、生成审计日志、展示血缘关系,EMR相关治理任务也将无法开展。配置EMR-HOOK,详情请参见配置Hive的EMR-HOOK

注意事项

  • spark-submit方式提交的任务,deploy-mode推荐使用cluster模式,不建议使用client模式。

  • EMR Shell节点是运行在DataWorks调度资源组,而非EMR集群的,您可以使用一些EMR组件命令,但无法直接读取EMR上资源的情况。如果要引用资源,则需要先上传DataWorks资源。详情请参见上传EMR资源

创建EMR Shell节点

  1. 进入数据开发页面。

    登录DataWorks控制台,切换至目标地域后,单击左侧导航栏的数据建模与开发 > 数据开发,在下拉框中选择对应工作空间后单击进入数据开发

  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 Shell节点。

    1. 右键某个业务的业务流程,选择新建节点 > EMR > EMR Shell

      说明

      您也可以将鼠标悬停至image.png图标,选择新建节点 > EMR > EMR Shell

    2. 在弹出的新建节点对话框中,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. 单击确认,进入EMR Shell节点编辑页面。

开发Shell任务

双击已创建的节点,进入任务开发页面,进行以下任务开发操作。

方案一:直接引用OSS资源

当前节点可直接通过OSS REF的方式直接引用OSS资源,在运行EMR节点时,DataWorks会自动加载代码中的OSS资源至本地使用。该方式常用于“需要在EMR任务中运行JAR依赖”、“EMR任务需依赖脚本”等场景。引用格式如下:

ossref://{endpoint}/{bucket}/{object}
  • endpoint:OSS对外服务的访问域名。Endpoint为空时,仅支持使用与当前访问的EMR集群同地域的OSS,即OSS的Bucket需要与EMR集群所在地域相同。

  • Bucket:OSS用于存储对象的容器,每一个Bucket有唯一的名称,登录OSS管理控制台,可查看当前登录账号下所有Bucket

  • object:存储在Bucket中的一个具体的对象(文件名称或路径)。

说明

该功能不支持公共调度资源组。并且若您在2023年12月1日前购买的资源组,需联系我们进行资源组升级以使用此功能。

方案二:先上传资源后引用EMR JAR资源

DataWorks也支持您从本地先上传资源至DataStudio,再引用资源。如果您使用的是DataLake(新版数据湖)集群,则可通过如下步骤引用EMR JAR资源,若EMR Shell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。

  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》中生成的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,然后单击点击上传按钮,上传JAR资源。新建JAR资源

  2. 引用EMR JAR资源。

    1. 打开创建的EMR Shell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 Shell节点的代码编辑页面显示##@resource_reference{""}格式的语句,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 Shell节点编辑代码时不支持注释语句。

      资源引用成功

配置EMR Shell调度参数

在SQL编辑区域输入任务代码,示例如下。

DD=`date`;
echo "hello world, $DD"
##可以结合调度参数使用
echo ${var};

如果您使用的是DataLake(新版数据湖)集群,则还支持如下命令行。

  • Shell命令:/usr/bin/bin下的Shell命令。例如,ls、echo等。

  • Yarn组件:hadoop、hdfs、yarn。

  • Spark组件:spark-submit。

  • Sqoop组件:sqoop-export、sqoop-import、sqoop-import-all-tables等。

    说明

    使用该组件时,您需要在RDS白名单中添加资源组的IP信息。

如果您需要修改代码中的参数赋值,请单击界面上方工具栏的高级运行。参数赋值逻辑详情请参见运行,高级运行和开发环境冒烟测试赋值逻辑有什么区别

说明

调度参数使用详情,请参考调度参数支持的格式

配置任务调度

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:

调试代码任务

  1. (可选)选择运行资源组、赋值自定义参数取值。

  2. 保存并运行SQL语句。

    在工具栏,单击保存图标,保存编写的SQL语句,单击运行图标,运行创建的SQL任务。

  3. (可选)冒烟测试。

    如果您希望在开发环境进行冒烟测试,可在执行节点提交,或节点提交后执行,冒烟测试,操作详情请参见执行冒烟测试