使用MRJob将作业提交到EMR群集

Question

MRJob等待直到每个作业完成，然后再将控制权交还给用户。 我将一个较大的EMR步骤分解为较小的步骤，并希望一次提交所有这些内容。

文档讨论了以编程方式提交任务 ，但是示例代码还等待作业完成（因为它们调用了runner.run（）命令，该命令会阻塞直到作业完成 ）。

同样，EMR的活动限制为256个活动，但是，我们该如何去填充这256个活动，而不是循环并在连接的控制台上获取输出。

Answer 1

经过数天的尝试，以下是我能想到的最好的方法。

我的最初尝试是，当我意识到终端分离后提交的作业不会被淘汰时，我是（以bash脚本的形式）提交并杀死作业。 但是，这并不是很好，因为AWS限制了对EMR的调用，因此有些作业在提交之前就被杀死了。

当前最佳解决方案

from jobs import MyMRJob
import logging

logging.basicConfig(
    level=logging.INFO,
    format = '%(asctime)-15s %(levelname)-8s %(message)s',
)
log = logging.getLogger('submitjobs')

def main():
    cluster_id="x-MXMXMX"
    log.info('Cluster: %s', cluster_id)
    for i in range(10):
        n = '%04d' % i
        log.info('Adding job: %s', n)
        mr_job = MyMRJob(args=[
            '-r', 'emr',
            '--conf-path', 'mrjob.conf',
            '--no-output',
            '--output-dir', 's3://mybucket/mrjob/%s' % n,
            '--cluster-id', cluster_id,
            'input/file.%s' % n
    ])
    runner = mr_job.make_runner()
    # the following is the secret sauce, submits the job and returns
    # it is a private method though, so may be changed without notice
    runner._launch()

if __name__ == '__main__':
    main()