将s3distcp与Amazon EMR一起使用以复制单个文件

Question

我想使用s3distcp将一个文件复制到HDFS。 我已经尝试使用srcPattern参数，但它没有帮助，它继续抛出java.lang.Runtime异常。 我正在使用的正则表达式可能是罪魁祸首，请帮忙。

我的代码如下：

elastic-mapreduce -j $jobflow --jar s3://us-east-1.elasticmapreduce/libs/s3distcp/1.latest/s3distcp.jar --args '--src,s3://<mybucket>/<path>' --args '--dest,hdfs:///output' --arg --srcPattern --arg '(filename)'

抛出异常：

Exception in thread "main" java.lang.RuntimeException: Error running job at com.amazon.external.elasticmapreduce.s3distcp.S3DistCp.run(S3DistCp.java:586) at com.amazon.external.elasticmapreduce.s3distcp.S3DistCp.run(S3DistCp.java:216) at org.apache.hadoop.util.ToolRunner.run(ToolRunner.java:65) at org.apache.hadoop.util.ToolRunner.run(ToolRunner.java:79) 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:39) at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:25) at java.lang.reflect.Method.invoke(Method.java:597) at org.apache.hadoop.util.RunJar.main(RunJar.java:156) Caused by: org.apache.hadoop.mapred.InvalidInputException: Input path does not exist: hdfs:/tmp/a088f00d-a67e-4239-bb0d-32b3a6ef0105/files at org.apache.hadoop.mapred.FileInputFormat.listStatus(FileInputFormat.java:197) at org.apache.hadoop.mapred.SequenceFileInputFormat.listStatus(SequenceFileInputFormat.java:40) at org.apache.hadoop.mapred.FileInputFormat.getSplits(FileInputFormat.java:208) at org.apache.hadoop.mapred.JobClient.writeOldSplits(JobClient.java:1036) at org.apache.hadoop.mapred.JobClient.writeSplits(JobClient.java:1028) at org.apache.hadoop.mapred.JobClient.access$700(JobClient.java:172) at org.apache.hadoop.mapred.JobClient$2.run(JobClient.java:944) at org.apache.hadoop.mapred.JobClient$2.run(JobClient.java:897) at java.security.AccessController.doPrivileged(Native Method) at javax.security.auth.Subject.doAs(Subject.java:396) at org.apache.hadoop.security.UserGroupInformation.doAs(UserGroupInformation.java:1059) at org.apache.hadoop.mapred.JobClient.submitJobInternal(JobClient.java:897) at org.apache.hadoop.mapred.JobClient.submitJob(JobClient.java:871) at org.apache.hadoop.mapred.JobClient.runJob(JobClient.java:1308) at com.amazon.external.elasticmapreduce.s3distcp.S3DistCp.run(S3DistCp.java:568) ... 9 more

Answer 1

DistCp旨在使用许多计算机复制许多文件。 如果您只想复制一个文件，DistCp不是正确的工具。

在hadoop主节点上，您可以使用复制单个文件

hadoop fs -cp s3://<mybucket>/<path> hdfs:///output

Answer 2

我使用的正则表达式确实是罪魁祸首。 假设文件名有日期，例如文件类似abcd-2013-06-12.gz ，那么为了只复制这个文件，以下emr命令应该做：

elastic-mapreduce -j $ jobflow --jar s3：//us-east-1.elasticmapreduce/libs/s3distcp/1.latest/s3distcp.jar --args'-- src，s3：///' - args '--dest，hdfs：/// output' - arg --srcPattern --arg'。* 2013-06-12.gz'

如果我没记错的话，我的正则表达式最初是*2013-06-12.gz而不是.*2013-06-12.gz 。 所以需要开头的点。