EMR Shell节点_大数据开发治理平台 DataWorks(DataWorks)-阿里云帮助中心

为了满足特定业务需求，您可以在DataWorks中创建EMR Shell节点。通过编辑自定义Shell脚本，对数据处理、调用Hadoop组件、操作文件等高级功能进行使用。本文介绍了在DataWorks里配置和使用EMR Shell节点，以便您编辑和运行Shell任务。

前提条件

已创建阿里云EMR集群，并注册EMR集群至DataWorks。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，并具有开发或空间管理员（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。
说明
如果您使用的是主账号，则可忽略该添加操作。
已开发创建项目目录，详情请参见项目目录。
已创建EMR Shell节点，详情请参见创建任务节点。

使用限制

仅支持使用Serverless资源组（推荐）或独享调度资源组运行该类型任务。
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。配置EMR-HOOK，详情请参见配置Hive的EMR-HOOK。
说明
若未在集群侧配置EMR-HOOK，则无法在DataWorks中实时展示元数据、生成审计日志、展示血缘关系、开展EMR相关治理任务。
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上资源情况。如果要引用资源，则需要先上传DataWorks资源。详情请参见资源管理。

操作步骤

在EMR Shell节点编辑页面，执行如下开发操作。
开发Shell代码
您可以根据不同场景需求选择适合您的操作方案：
方案一：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。
  详情请参见资源管理。将准备初始数据及JAR资源包中生成的JAR包存储在JAR资源的存放目录emr/jars下。单击点击上传按钮，上传JAR资源。
  选择存储路径、数据源及资源组。
  单击保存按钮进行保存。
2. 引用EMR JAR资源。
  打开创建的EMR MR节点，停留在代码编辑页面。
  在左侧导航栏的资源管理中找到待引用资源（示例为onaliyun_mr_wordcount-1.0-SNAPSHOT.jar），右键选择引用资源。
  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。
方案二：直接引用OSS资源
当前节点可通过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）。
使用示例
在OSS Bucket中上传示例文件。本文以emr_shell_test.sh为例，示例文件内容如下：
#!/bin/sh echo "Hello, DataWorks!"
在EMR Shell节点中直接引用OSS资源。
sh ossref://oss-cn-shanghai.aliyuncs.com/test-oss-of-dataworks/emr_shell_test.sh
说明
oss-cn-shanghai.aliyuncs.com为endpoint，test-oss-of-dataworks为Bucket名称，emr_shell_test.sh为object文件名。
运行结果如下，即可看到emr_shell_test.sh文件的输出结果：
... >>> [2024-10-24 15:46:01][INFO ][CommandExecutor ]: Process ready to execute. command: sh ./emr_shell_test.sh >>> [2024-10-24 15:46:01][INFO ][CommandExecutor ]: Command state update to RUNNING >>> [2024-10-24 15:46:01][INFO ][CommandExecutor ]: Process start to execute... Process Output>>> Hello, DataWorks! ...
配置EMR Shell调度参数
在SQL编辑区域开发任务代码，您可在代码中使用${变量名}的方式定义变量，并在节点编辑页面右侧调度配置的调度参数中为该变量赋值。实现调度场景下代码的动态传参，调度参数使用详情，请参考调度参数支持格式，示例如下。
```
DD=`date`;
echo "hello world, $DD"
##可以结合调度参数使用
echo ${var};
```
说明
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及/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。
使用该组件时，您需要在RDS白名单中添加资源组的IP信息。
执行Shell任务
1. 在调试配置的计算资源中，选择配置计算资源和DataWorks资源组。
  说明
  您还可以根据任务执行所需的资源情况来调度 CU。默认CU为0.25。
  您可以根据任务情况选择配置镜像信息。
  访问公共网络或VPC网络环境的数据源需要使用与数据源测试连通性成功的调度资源组。详情请参见网络连通方案。
2. 在工具栏的参数对话框中选择对应数据源，单击运行Shell任务。
如需定期执行节点任务，请根据业务需求配置调度信息。配置详情请参见调度配置。
节点任务配置完成后，需对节点进行发布。详情请参见节点发布。
任务发布后，您可以在运维中心查看周期任务的运行情况。详情请参见运维中心入门。

前提条件

使用限制

操作步骤

开发Shell代码

方案一：先上传资源后引用EMR JAR资源

方案二：直接引用OSS资源

使用示例

配置EMR Shell调度参数

执行Shell任务

相关文档