使用S3DistCp将文件从S3复制到EMR

Question

我正在努力寻找在我的AWS EMR集群中使用S3DistCp的方法。

一些旧示例显示如何将s3distcp添加为EMR步骤使用不再使用的elastic-mapreduce命令。

其他一些消息来源建议使用s3-dist-cp命令，这在当前的EMR集群中找不到。 甚至官方文档（ 在线和EMR开发人员指南2016 pdf）也提供了这样的示例：

aws emr add-steps --cluster-id j-3GYXXXXXX9IOK --steps Type=CUSTOM_JAR,Name="S3DistCp step",Jar=/home/hadoop/lib/emr-s3distcp-1.0.jar,Args=["--s3Endpoint,s3-eu-west-1.amazonaws.com","--src,s3://mybucket/logs/j-3GYXXXXXX9IOJ/node/","--dest,hdfs:///output","--srcPattern,.*[azA-Z,]+"]

但/home/hadoop路径中没有lib文件夹。 我在这个文件夹中找到了一些hadoop库： /usr/lib/hadoop/lib ，但我无法从任何地方找到s3distcp 。

然后我发现某些S3存储桶中有一些库可用。 例如，从这个问题 ，我找到了这条路径： s3://us-east-1.elasticmapreduce/libs/s3distcp/1.latest/s3distcp.jar 。 这似乎是朝着正确方向迈出的一步，因为从AWS界面向正在运行的EMR集群添加一个新步骤，这些参数启动了这一步骤（以前的尝试没有），但在~15秒后失败：

JAR location: s3://us-east-1.elasticmapreduce/libs/s3distcp/1.latest/s3distcp.jar
Main class: None
Arguments: --s3Endpoint s3-eu-west-1.amazonaws.com --src s3://source-bucket/scripts/ --dest hdfs:///output
Action on failure: Continue

这导致以下错误：

Exception in thread "main" java.lang.RuntimeException: Unable to retrieve Hadoop configuration for key fs.s3n.awsAccessKeyId
    at com.amazon.external.elasticmapreduce.s3distcp.ConfigurationCredentials.getConfigOrThrow(ConfigurationCredentials.java:29)
    at com.amazon.external.elasticmapreduce.s3distcp.ConfigurationCredentials.<init>(ConfigurationCredentials.java:35)
    at com.amazon.external.elasticmapreduce.s3distcp.S3DistCp.createInputFileListS3(S3DistCp.java:85)
    at com.amazon.external.elasticmapreduce.s3distcp.S3DistCp.createInputFileList(S3DistCp.java:60)
    at com.amazon.external.elasticmapreduce.s3distcp.S3DistCp.run(S3DistCp.java:529)
    at com.amazon.external.elasticmapreduce.s3distcp.S3DistCp.run(S3DistCp.java:216)
    at org.apache.hadoop.util.ToolRunner.run(ToolRunner.java:70)
    at org.apache.hadoop.util.ToolRunner.run(ToolRunner.java:84)
    at com.amazon.external.elasticmapreduce.s3distcp.Main.main(Main.java:12)
    at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
    at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:57)
    at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
    at java.lang.reflect.Method.invoke(Method.java:606)
    at org.apache.hadoop.util.RunJar.run(RunJar.java:221)
    at org.apache.hadoop.util.RunJar.main(RunJar.java:136)

我认为这可能是由于我的S3位置（与端点相同）和s3distcp脚本（来自us-east）的位置不兼容造成的。 我用eu-west-1替换它并且仍然得到关于身份验证的相同错误。 我使用了类似的设置来运行我的scala脚本（带有“command-runner.jar”脚本的自定义jar类型，带有第一个参数“spark-submit”来运行一个spark作业，这样可行，我没有遇到过这个问题认证之前。

将文件从S3复制到EMR集群的最简单方法是什么？ 要么通过AWS SDK（对于Go lang）添加额外的EMR步骤，要么以某种方式在Scala spark脚本中添加？ 或者从AWS EMR界面，但不是从CLI，因为我需要它自动化。

Answer 1

安装在EMR中的CLI是aws <servicename> <function> ：

aws s3 cp s3://bucket/path/to/remote/file.sh /local/path/to/file.sh

https://aws.amazon.com/cli/

就自动化而言，将命令放入自定义步骤肯定是合理的，其中命令的“路径”只是“command-runner.jar”，然后步骤的arg就是命令本身。

因此，最终，CLI代码可以做同样的事情：

aws emr add-steps --cluster-id j-2AXXXXXXGAPLF --steps Name="Command Runner",Jar="command-runner.jar",Args=["spark-submit","Args..."]

http://docs.aws.amazon.com/ElasticMapReduce/latest/ReleaseGuide/emr-commandrunner.html

Answer 2

aws emr add-steps --profile <> --cluster-id <> --steps Type=CUSTOM_JAR,Name=UPLOAD_JAR_CONFIG,ActionOnFailure=CANCEL_AND_WAIT,Jar=command-runner.jar,Args=[s3-dist-cp,--src,s3a://<>/,--dest,hdfs:///<>/<>/,--srcPattern=.*.*]

谢谢你以前的答案。 我被卡住但是能够构建这个以使用dist-cp从s3复制到emr