Amazon-EMR-Version 6.0.0 - Amazon EMR
6.0.0 Anwendungsversionen6.0.0 Versionshinweise6.0.0 Komponentenversionen6.0.0 Konfigurationsklassifizierungen

Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Amazon-EMR-Version 6.0.0

6.0.0 Anwendungsversionen

Die folgenden Anwendungen werden in dieser Version unterstützt: Ganglia, HBase, HCatalog, Hadoop, Hive, Hudi, Hue, JupyterHub, Livy, MXNet, Oozie, Phoenix, Presto, Spark, TensorFlow, Tez, Zeppelin und ZooKeeper.

In der folgenden Tabelle sind die in dieser Version von Amazon EMR verfügbaren Anwendungsversionen und die Anwendungsversionen der vorherigen drei Amazon-EMR-Versionen (sofern zutreffend) aufgeführt.

Einen umfassenden Verlauf der Anwendungsversionen für jede Version von Amazon EMR finden Sie in den folgenden Themen:

Informationen zur Anwendungsversion
emr-6.1.1 emr-6.1.0 emr-6.0.1 emr-6.0.0
AWS SDK for Java 1.11.8281.11.8281.11.7111.11.711
Python 2,7, 3,72,7, 3,72,7, 3,72,7, 3,7
Scala 2.12,102.12.102.12.102.11.12
AmazonCloudWatchAgent - - - -
Delta - - - -
Flink1.11.01.11.0 - -
Ganglia3.7.23.7.23.7.23.7.2
HBase2.2.52.2.52.2.32.2.3
HCatalog3.1.23.1.23.1.23.1.2
Hadoop3.2.13.2.13.2.13.2.1
Hive3.1.23.1.23.1.23.1.2
Hudi0.5.2-incubating-amzn-20.5.2-incubating-amzn-20.5.0-incubating-amzn-10.5.0-incubating-amzn-1
Hue4.7.14.7.14.4.04.4.0
Iceberg - - - -
JupyterEnterpriseGateway - - - -
JupyterHub1.1.01.1.01.0.01.0.0
Livy0.7.00.7.00.6.00.6.0
MXNet1.6.01.6.01.5.11.5.1
Mahout - - - -
Oozie5.2.05.2.05.1.05.1.0
Phoenix5.0.05.0.05.0.05.0.0
Pig0.17.00.17.0 - -
Presto0.2320.2320.2300.230
Spark3.0.03.0.02.4.42.4.4
Sqoop1.4.71.4.7 - -
TensorFlow2.1.02.1.01.14.01.14.0
Tez0.9.20.9.20.9.20.9.2
Trino (PrestoSQL)338338 - -
Zeppelin0.9.00.9.00.9.00.9.0
ZooKeeper3.4.143.4.143.4.143.4.14

6.0.0 Versionshinweise

Die folgenden Versionshinweise enthalten Informationen über Amazon-EMR-Version 6.0.0.

Erste Version: 10. März 2020

Unterstützte Anwendungen

  • AWS SDK for Java Ausführung 1.11.711

  • Ganglia Version 3.7.2

  • Hadoop Version 3.2.1

  • HBase Version 2.2.3

  • HCatalog Version 3.1.2

  • Hive Version 3.1.2

  • Hudi Version 0.5.0-incubating

  • Hue Version 4.4.0

  • JupyterHub Ausführung 1.0.0

  • Livy Version 0.6.0

  • MXNet-Version 1.5.1

  • Oozie Version 5.1.0

  • Phoenix Version 5.0.0

  • Presto Version 0.230

  • Spark Version 2.4.4

  • TensorFlow Ausführung 1.14.0

  • Zeppelin Version 0.9.0-SNAPSHOT

  • Zookeeper Version 3.4.14

  • Anschlüsse und Treiber: DynamoDB Connector 4.14.0

Anmerkung

Flink, Sqoop, Pig und Mahout sind in Amazon-EMR-Version 6.0.0 nicht verfügbar.

Neue Features

  • YARN Docker Runtime Support - YARN-Anwendungen, wie etwa Spark-Aufgaben, können jetzt im Kontext eines Docker-Containers ausgeführt werden. Dadurch können Sie ganz einfach Abhängigkeiten in einem Docker-Image definieren, ohne dass benutzerdefinierte Bibliotheken auf dem Amazon-EMR-Cluster installiert werden müssen. Weitere Informationen finden Sie unter Konfigurieren der Docker-Integration und Ausführen von Spark-Anwendungen mit Docker mit Amazon EMR 6.0.0.

  • Unterstützung für Hive LLAP - Hive unterstützt jetzt den LLAP-Ausführungsmodus für eine verbesserte Abfrageleistung. Weitere Informationen finden Sie unter Verwenden von Hive LLAP.

Änderungen, Verbesserungen und behobene Probleme

  • Dies ist eine Version zur Behebung von Problemen mit Amazon-EMR-Skalierung, wenn ein Cluster nicht erfolgreich hoch-/herunterskaliert werden kann oder Anwendungsfehler verursacht werden.

  • Es wurde ein Problem behoben, bei dem Skalierungsanforderungen für einen großen, stark ausgelasteten Cluster fehlschlugen, wenn Amazon-EMR-On-Cluster-Daemons Aktivitäten zur Integritätsprüfung durchführten, z. B. das Erfassen des YARN-Knotenstatus und des HDFS-Knotenstatus. Das lag daran, dass Cluster-Daemons die Integritätsstatusdaten eines Knotens nicht an interne Amazon-EMR-Komponenten weitergeben konnten.

  • Verbesserte EMR-On-Cluster-Daemons zur korrekten Nachverfolgung der Knotenstatus bei der Wiederverwendung von IP-Adressen, um die Zuverlässigkeit bei Skalierungsvorgängen zu verbessern.

  • SPARK-29683. Es wurde ein Problem behoben, bei dem während der Cluster-Skalierung Auftragsfehler auftraten, da Spark davon ausging, dass alle verfügbaren Knoten auf der Verweigern-Liste standen.

  • YARN-9011. Es wurde ein Problem behoben, bei dem Auftragsfehler aufgrund eines Fehlers bei der Außerbetriebnahme von YARN auftraten, wenn der Cluster versuchte, hoch- oder herunterzuskalieren.

  • Das Problem mit Schritt- oder Auftragsfehlern bei der Cluster-Skalierung wurde behoben, indem sichergestellt wurde, dass die Knotenstatus zwischen den Amazon-EMR-On-Cluster-Daemons und YARN/HDFS immer konsistent sind.

  • Es wurde ein Problem behoben, bei dem Clustervorgänge wie Herunterskalierung und Schrittübermittlung für Amazon-EMR-Cluster, die mit Kerberos-Authentifizierung aktiviert waren, fehlschlugen. Dies lag daran, dass der Amazon-EMR-On-Cluster-Daemon das Kerberos-Ticket nicht erneuert hat, das für die sichere Kommunikation mit HDFS/YARN erforderlich ist, das auf dem Primärknoten ausgeführt wird.

  • Neuere Amazon-EMR-Versionen beheben das Problem mit einem niedrigeren Limit für die „maximale Anzahl geöffneter Dateien“ auf älteren AL2-Versionen in Amazon EMR. Die Amazon-EMR-Versionen 5.30.1, 5.30.2, 5.31.1, 5.32.1, 6.0.1, 6.1.1, 6.2.1, 5.33.0, 6.3.0 und höher enthalten jetzt einen dauerhaften Fix mit einer höheren Einstellung für „Max. Anzahl geöffneter Dateien“.

  • Amazon Linux

    • Amazon Linux 2 ist das Betriebssystem für die EMR 6.x-Release-Serie.

    • systemd wird für die Serviceverwaltung statt upstart in Amazon Linux 1 verwendet.

  • Java Development Kit (JDK)

    • Coretto JDK 8 ist das Standard-JDK für die EMR-6.x-Release-Serie.

  • Scala

    • Scala 2.12 wird mit Apache Spark und Apache Livy verwendet.

  • Python 3

    • Python 3 ist jetzt die Standardversion von Python in EMR.

  • YARN-Knotenbeschriftungen

    • Beginnend mit der Amazon-EMR-6.x-Release-Reihe ist das Feature YARN-Knotenbeschriftungen standardmäßig deaktiviert. Die Anwendungs-Master-Prozesse können standardmäßig sowohl auf Kern- als auch auf Aufgabenknoten ausgeführt werden. Sie können die Funktion YARN-Knotenbeschriftungen aktivieren, indem Sie folgende Eigenschaften konfigurieren: yarn.node-labels.enabled und yarn.node-labels.am.default-node-label-expression. Weitere Informationen finden Sie unter Grundlegendes zu Primär-, Kern- und Aufgabenknoten.

Bekannte Probleme

  • Niedrigeres Limit für die „Max. Anzahl geöffneter Dateien“ auf älteren AL2-Versionen [in neueren Versionen behoben]. Amazon-EMR-Versionen: emr-5.30.x, emr-5.31.0, emr-5.32.0, emr-6.0.0, emr-6.1.0 und emr-6.2.0 basieren auf älteren Versionen von Amazon Linux 2 (AL2), die eine niedrigere Ulimit-Einstellung für „Max. Anzahl geöffneter Dateien“ haben, wenn Amazon-EMR-Cluster mit dem Standard-AMI erstellt werden. Die Amazon-EMR-Versionen 5.30.1, 5.30.2, 5.31.1, 5.32.1, 6.0.1, 6.1.1, 6.2.1, 5.33.0, 6.3.0 und höher enthalten einen dauerhaften Fix mit einer höheren Einstellung für „Max. Anzahl geöffneter Dateien“. Versionen mit einem niedrigeren Limit für geöffnete Dateien verursachen beim Senden des Spark-Jobs den Fehler „Zu viele offene Dateien“. In den betroffenen Versionen hat das Amazon-EMR-Standard-AMI eine Ulimit-Standardeinstellung von 4 096 für „Max. Anzahl geöffneter Dateien“, was unter dem Dateilimit von 65 536 im neuesten Amazon-Linux-2-AMI liegt. Die niedrigere Ulimit-Einstellung für „Max. Anzahl geöffneter Dateien“ führt dazu, dass der Spark-Job fehlschlägt, wenn der Spark-Treiber und der Executor versuchen, mehr als 4 096 Dateien zu öffnen. Um das Problem zu beheben, verfügt Amazon EMR über ein Bootstrap Action (BA)-Skript, das die Ulimit-Einstellung bei der Cluster-Erstellung anpasst.

    Wenn Sie eine ältere Amazon-EMR-Version verwenden, für die dieses Problem nicht dauerhaft behoben ist, können Sie mit der folgenden Problemumgehung das Instance-Controller-Ulimit explizit auf maximal 65 536 Dateien festlegen.

    Explizit ein ulimit über die Befehlszeile setzen

    1. Bearbeiten Sie /etc/systemd/system/instance-controller.service, um die folgenden Parameter zum Abschnitt Service hinzuzufügen.

      LimitNOFILE=65536

      LimitNPROC=65536

    2. Starten Sie neu InstanceController

      $ sudo systemctl daemon-reload

      $ sudo systemctl restart instance-controller

    Mithilfe der Bootstrap-Aktion (BA) ein Ulimit festlegen

    Sie können auch ein Bootstrap-Aktionsskript (BA) verwenden, um das Ulimit für den Instance-Controller bei der Clustererstellung auf 65 536 Dateien zu konfigurieren.

    #!/bin/bash
for user in hadoop spark hive; do
sudo tee /etc/security/limits.d/$user.conf << EOF
$user - nofile 65536
$user - nproc 65536
EOF
done
for proc in instancecontroller logpusher; do
sudo mkdir -p /etc/systemd/system/$proc.service.d/
sudo tee /etc/systemd/system/$proc.service.d/override.conf << EOF
[Service]
LimitNOFILE=65536
LimitNPROC=65536
EOF
pid=$(pgrep -f aws157.$proc.Main)
sudo prlimit --pid $pid --nofile=65535:65535 --nproc=65535:65535
done
sudo systemctl daemon-reload

  • Die interaktive Spark-Shell PySpark, einschließlich SparkR und Spark-Shell, unterstützt die Verwendung von Docker mit zusätzlichen Bibliotheken nicht.

  • Um Python 3 mit Amazon-EMR-Version 6.0.0 zu verwenden, müssen Sie PATH zu yarn.nodemanager.env-whitelist hinzufügen.

  • Die Funktion Live Long and Process (LLAP) wird nicht unterstützt, wenn Sie den AWS Glue-Datenkatalog als Metastore für Hive verwenden.

  • Wenn Sie Amazon EMR 6.0.0 mit Spark- und Docker-Integration verwenden, müssen Sie die Instances in Ihrem Cluster mit demselben Instance-Typ und derselben Anzahl an EBS-Volumes konfigurieren, um Fehler beim Senden eines Spark-Auftrags mit Docker-Laufzeit zu vermeiden.

  • In Amazon EMR 6.0.0 ist der Speichermodus HBase auf Amazon S3 vom HBASE-24286.-Problem betroffen. Der HBase-Master kann nicht initialisiert werden, wenn der Cluster mit vorhandenen S3-Daten erstellt wird.

  • Bekanntes Problem in Clustern mit mehreren Primärknoten und Kerberos-Authentifizierung

    Wenn Sie Cluster mit mehreren Primärknoten und Kerberos-Authentifizierung in Amazon-EMR-Versionen 5.20.0 und höher ausführen, können Probleme mit Cluster-Vorgängen wie dem Herunterskalieren oder der schrittweisen Übermittlung auftreten, nachdem der Cluster einige Zeit lang ausgeführt wurde. Der Zeitraum hängt von der Gültigkeitsdauer des Kerberos-Tickets ab, die Sie definiert haben. Das Herunterskalierungs-Problem wirkt sich sowohl auf automatische als auch auf explizite Herunterskalierungs-Anfragen aus, die Sie eingereicht haben. Weitere Clustervorgänge können ebenfalls beeinträchtigt werden.

    Workaround:

    • SSH als hadoop-Benutzer für den führenden Primärknoten des EMR-Clusters mit mehreren Primärknoten.

    • Führen Sie den folgenden Befehl aus, um das Kerberos-Ticket für den hadoop-Benutzer zu erneuern. 

      kinit -kt <keytab_file> <principal>

      In der Regel befindet sich die Keytab-Datei unter /etc/hadoop.keytab und der Prinzipal hat das Format von hadoop/<hostname>@<REALM>.

    Anmerkung

    Diese Problemumgehung gilt für den Zeitraum, in dem das Kerberos-Ticket gültig ist. Diese Dauer beträgt standardmäßig 10 Stunden, kann aber anhand Ihrer Kerberos-Einstellungen konfiguriert werden. Sie müssen den obigen Befehl erneut ausführen, sobald das Kerberos-Ticket abgelaufen ist.

6.0.0 Komponentenversionen

Die Komponenten, die Amazon EMR mit dieser Version installiert, sind nachstehend aufgeführt. Einige werden als Teil von Big-Data-Anwendungspaketen installiert. Andere sind nur für Amazon EMR verfügbar und werden für Systemprozesse und -Features installiert. Diese beginnen in der Regel mit emr oder aws. Big-Data-Anwendungspakete in der aktuellsten Amazon-EMR-Version sind in der Regel die aktuelle Version, die in der Community zu finden ist. Wir stellen Community-Versionen in Amazon EMR so schnell wie möglich zur Verfügung.

Einige Komponenten in Amazon EMR unterscheiden sich von Community-Versionen. Diese Komponenten verfügen über eine Versionsbezeichnung in der Form CommunityVersion-amzn-EmrVersion. Der EmrVersion beginnt bei 0. Wenn zum Beispiel eine Open-Source-Community-Komponente mit dem Namen myapp-component der Version 2.2 dreimal für die Aufnahme in verschiedene Amazon-EMR-Versionen geändert wurde, wird ihre Version als 2.2-amzn-2 aufgeführt.

Komponente Version Beschreibung
aws-sagemaker-spark-sdk1.2.6Amazon SageMaker Spark-SDK
emr-ddb4.14.0Amazon DynamoDB-Connector für Anwendungen aus dem Hadoop-Ökosystem.
emr-goodies3.0.0Praktische Bibliotheken für das Hadoop-Ökosystem.
emr-kinesis3.5.0Amazon Kinesis-Connector für Anwendungen aus dem Hadoop-Ökosystem.
emr-s3-dist-cp2.14.0Verteilte Kopieranwendung, die für Amazon S3 optimiert ist.
emr-s3-select1.5.0EMR S3Select-Konnektor
emrfs2.39.0Amazon S3-Connector für Anwendungen aus dem Hadoop-Ökosystem.
ganglia-monitor3.7.2Eingebetteter Ganglia-Agent für Anwendungen aus dem Hadoop-Ökosystem zusammen mit dem Ganglia-Überwachungsagent.
ganglia-metadata-collector3.7.2Ganglia-Metadaten-Kollektor zum Aggregieren von Metriken aus Ganglia-Überwachungsagenten.
ganglia-web3.7.1Webanwendung zum Anzeigen von durch den Ganglia-Metadaten-Kollektor gesammelten Metriken.
hadoop-client3.2.1-amzn-0Hadoop-Befehlszeilen-Clients wie z. B. "hdfs", "Hadoop" oder "Garn".
hadoop-hdfs-datanode3.2.1-amzn-0HDFS-Service auf Knotenebene zum Speichern von Blöcken.
hadoop-hdfs-library3.2.1-amzn-0HDFS-Client und -Bibliothek für die Befehlszeile
hadoop-hdfs-namenode3.2.1-amzn-0HDFS-Service für die Nachverfolgung von Dateinamen und Block-Speicherorten.
hadoop-hdfs-journalnode3.2.1-amzn-0HDFS-Service zum Verwalten des Hadoop-Dateisystemjournals auf HA-Clustern.
hadoop-httpfs-server3.2.1-amzn-0HTTP-Endpunkt für HDFS-Operationen.
hadoop-kms-server3.2.1-amzn-0Kryptografischer Schlüsselverwaltungsserver, der auf der Hadoop-API basiert. KeyProvider
hadoop-mapred3.2.1-amzn-0MapReduce Execution Engine-Bibliotheken zum Ausführen einer MapReduce Anwendung.
hadoop-yarn-nodemanager3.2.1-amzn-0YARN-Service für die Verwaltung von Containern auf einem einzelnen Knoten.
hadoop-yarn-resourcemanager3.2.1-amzn-0YARN-Service für Zuweisung und Verwaltung von Cluster-Ressourcen und verteilten Anwendungen.
hadoop-yarn-timeline-server3.2.1-amzn-0Service für das Abrufen von aktuellen und historischen Informationen für YARN-Anwendungen.
hbase-hmaster2.2.3Service für einen HBase-Cluster, der für die Koordinierung der Regionen und die Ausführung von administrativen Befehlen zuständig ist.
hbase-region-server2.2.3Service für die Bereitstellung einer oder mehrerer HBase-Regionen.
hbase-client2.2.3HBase-Befehlszeilen-Client.
hbase-rest-server2.2.3Service, der einen RESTful-HTTP-Endpunkt für HBase bereitstellt.
hbase-thrift-server2.2.3Service, der einen Thrift-Endpunkt für HBase bereitstellt.
hcatalog-client3.1.2-amzn-0Der "hcat"-Befehlszeilen-Client-für das Bearbeiten des hcatalog-Servers.
hcatalog-server3.1.2-amzn-0Service, der HCatalog bereitstellt (ein Tabellen- und Speicherverwaltungs-Layer für verteilte Anwendungen).
hcatalog-webhcat-server3.1.2-amzn-0HTTP-Endpunkt, der eine REST-Schnittstelle für HCatalog bereitstellt.
hive-client3.1.2-amzn-0Hive-Befehlszeilen-Client.
hive-hbase3.1.2-amzn-0Hive-hbase client.
hive-metastore-server3.1.2-amzn-0Service für den Zugriff auf den Hive-Metastore (ein semantisches Repository für die Speicherung von Metadaten für SQL zu Hadoop-Operationen).
hive-server23.1.2-amzn-0Service zur Annahme von Hive-Abfragen als Webanfragen.
hudi0.5.0-incubating-amzn-1Inkrementelles Verarbeitungs-Framework zur Stromversorgung der Datenpipline bei geringer Latenz und hoher Effizienz.
hudi-presto0.5.0-incubating-amzn-1Bundle-Bibliothek zum Ausführen von Presto mit Hudi.
hue-server4.4.0Webanwendung für die Analyse von Daten mithilfe von Hadoop-Anwendungen.
jupyterhub1.0.0Multi-User-Server für Jupyter-Notebooks
livy-server0.6.0-incubatingREST-Schnittstelle für die Interaktion mit Apache Spark
nginx1.12.1nginx [engine x] ist ein HTTP- und Reverse-Proxy-Server.
mxnet1.5.1Eine flexible, skalierbare und effiziente Bibliothek für Deep Learning.
mariadb-server5.5.64+MariaDB-Datenbankserver.
nvidia-cuda9.2.88Nvidia-Treiber und Cuda-Toolkit
oozie-client5.1.0Oozie-Befehlszeilen-Client.
oozie-server5.1.0Service für die Annahme von Oozie Workflow-Anforderungen.
opencv3.4.0Open Source Computer Vision Library.
phoenix-library5.0.0-HBase-2.0Die Phoenix-Bibliotheken für den Server und den Client
phoenix-query-server5.0.0-HBase-2.0Ein schlanker Server für den Zugriff auf JDBC und Protokollpuffer sowie den Zugriff auf die Avatica-API über das JSON-Format.
presto-coordinator0.230Service zur Annahme von Abfragen und die Verwaltung der Abfrageausführung der Presto-Worker.
presto-worker0.230Service für das Ausführen von Teilen einer Abfrage.
presto-client0.230Presto-Befehlszeilenclient, der auf den Standby-Mastern eines HA-Clusters installiert ist, auf denen der Presto-Server nicht gestartet wird.
r3.4.3The R Project for Statistical Computing (Software zur statistischen Datenverarbeitung)
spark-client2.4.4Spark-Befehlszeilen-Clients.
spark-history-server2.4.4Web-Benutzeroberfläche zum Anzeigen von protokollierten Ereignissen für die gesamte Lebensdauer einer abgeschlossenen Spark-Anwendung.
spark-on-yarn2.4.4In-Memory-Ausführungs-Engine für YARN.
spark-yarn-slave2.4.4Apache Spark-Bibliotheken, die von YARN-Slaves benötigt werden.
tensorflow1.14.0TensorFlow Open-Source-Softwarebibliothek für leistungsstarke numerische Berechnungen.
tez-on-yarn0.9.2Die Tez-YARN-Anwendung und -Bibliotheken.
webserver2.4.41+Apache HTTP-Server.
zeppelin-server0.9.0-SNAPSHOTWebbasiertes Notizbuch, das interaktive Datenanalysen ermöglicht.
zookeeper-server3.4.14Zentraler Service für die Verwaltung von Konfigurationsinformationen, die Benennung, die Bereitstellung verteilter Synchronisierung und die Bereitstellung von Gruppenservices.
zookeeper-client3.4.14ZooKeeper Befehlszeilen-Client.

6.0.0 Konfigurationsklassifizierungen

Mithilfe von Konfigurationsklassifizierungen können Sie Anwendungen anpassen. Diese entsprechen häufig einer XML-Konfigurationsdatei für die Anwendung, z. B. hive-site.xml Weitere Informationen finden Sie unter Anwendungen konfigurieren.

emr-6.0.0-Klassifizierungen
Klassifizierungen Beschreibung

capacity-scheduler

Ändert die Werte in der capacity-scheduler.xml-Datei in Hadoop.

container-executor

Ändern Sie die Werte in der Datei „container-executor.cfg“ Datei von Hadoop YARN.

container-log4j

Ändert die Werte in der container-log4j.properties-Datei in Hadoop YARN.

core-site

Ändert die Werte in der core-site.xml-Datei in Hadoop.

emrfs-site

Ändert die EMRFS-Einstellungen.

hadoop-env

Ändert die Werte in der Hadoop-Umgebung für alle Hadoop-Komponenten.

hadoop-log4j

Ändert die Werte in der log4j.properties-Datei in Hadoop.

hadoop-ssl-server

Ändert die SSL-Server-Konfiguration in Hadoop.

hadoop-ssl-client

Ändert die SSL-Client-Konfiguration in Hadoop.

hbase

Hierbei handelt es sich um von Amazon EMR zusammengestellte Einstellungen für Apache HBase.

hbase-env

Ändert die Werte in der HBase-Umgebung.

hbase-log4j

Ändert die Werte in der hbase-log4j.properties-Datei in HBase.

hbase-metrics

Ändern Sie die Werte in der hadoop-metrics2-hbase.properties-Datei in HBase.

hbase-policy

Ändert die Werte in der hbase-policy.xml-Datei in HBase.

hbase-site

Ändert die Werte in der hbase-site.xml-Datei in HBase.

hdfs-encryption-zones

Konfiguriert die HDFS-Verschlüsselungszonen.

hdfs-env

Ändert die Werte in der HDFS-Umgebung.

hdfs-site

Ändert die Werte in der hdfs-site.xml-Datei in HDFS.

hcatalog-env

Ändert die Werte in der HCatalog-Umgebung.

hcatalog-server-jndi

Ändert die Werte in der jndi.properties-Datei von HCatalog.

hcatalog-server-proto-hive-site

Ändern Sie die Werte in der Datei proto-hive-site .xml von HCatalog.

hcatalog-webhcat-env

Ändert die Werte in der WebHCat-Umgebung von HCatalog.

hcatalog-webhcat-log4j2

Ändert die Werte in der log4j2.properties-Datei von WebHCat in HCatalog.

hcatalog-webhcat-site

Ändert die Werte in der webhcat-site.xml-Datei von WebHCat in HCatalog.

hive

Hierbei handelt es sich um von Amazon EMR zusammengestellte Einstellungen für Apache Hive.

hive-beeline-log4j2

Ändert die Werte in der beeline-log4j2.properties-Datei in Hive.

hive-parquet-logging

Ändert die Werte in der parquet-logging.properties-Datei in Hive.

hive-env

Ändert die Werte in der Hive-Umgebung.

hive-exec-log4j2

Ändern Sie die Werte in der Datei 4j2.properties von hive-exec-log Hive.

hive-llap-daemon-log4j2

Ändern Sie die Werte in der Datei 4j2.properties von Hive. llap-daemon-log

hive-log4j2

Ändert die Werte in der hive-log4j2.properties-Datei in Hive.

hive-site

Ändert die Werte in der hive-site.xml-Datei in Hive.

hiveserver2-site

Ändert die Werte in der hiveserver2-site.xml-Datei von Server2 in Hive.

hue-ini

Ändert die Werte in der INI-Datei in Hue.

httpfs-env

Ändert die Werte in der HTTPFS-Umgebung.

httpfs-site

Ändert die Werte in der httpfs-site.xml-Datei in Hadoop.

hadoop-kms-acls

Ändert die Werte in der kms-acls.xml-Datei in Hadoop.

hadoop-kms-env

Ändert die Werte in der KMS-Umgebung in Hadoop.

hadoop-kms-log4j

Ändert die Werte in der kms-log4j.properties-Datei in Hadoop.

hadoop-kms-site

Ändert die Werte in der kms-site.xml-Datei in Hadoop.

jupyter-notebook-conf

Ändert die Werte in der jupyter_notebook_config.py-Datei in Jupyter Notebook.

jupyter-hub-conf

Ändern Sie die Werte in JupyterHubs der Datei jupyterhub_config.py.

jupyter-s3-conf

Konfigurieren Sie die S3-Persistenz für Jupyter Notebooks.

jupyter-sparkmagic-conf

Ändert die Werte in der config.json-Datei in Sparkmagic.

livy-conf

Ändert die Werte in der livy.conf-Datei von Livy.

livy-env

Ändert die Werte in der Livy-Umgebung.

livy-log4j

Ändert die log4j.properties-Einstellungen für Livy.

mapred-env

Ändern Sie die Werte in der MapReduce Anwendungsumgebung.

mapred-site

Ändern Sie die Werte in der Datei mapred-site.xml der MapReduce Anwendung.

oozie-env

Ändert die Werte in der Oozie-Umgebung.

oozie-log4j

Ändert die Werte in der oozie-log4j.properties-Datei in Oozie.

oozie-site

Ändert die Werte in der oozie-site.xml-Datei in Oozie.

phoenix-hbase-metrics

Ändert die Werte in der hadoop-metrics2-hbase.properties-Datei in Phoenix.

phoenix-hbase-site

Ändert die Werte in der hbase-site.xml-Datei in Phoenix.

phoenix-log4j

Ändert die Werte in der log4j.properties-Datei in Phoenix.

phoenix-metrics

Ändert die Werte in der hadoop-metrics2-phoenix.properties-Datei in Phoenix.

presto-log

Ändert die Werte in der log.properties-Datei in Presto.

presto-config

Ändert die Werte in der config.properties-Datei in Presto.

presto-password-authenticator

Ändern Sie Werte in der Presto-Datei password-authenticator.properties.

presto-env

Ändern Sie die Werte in der presto-env.sh-Datei in Presto.

presto-node

Ändern Sie die Werte in der node.properties-Datei in Presto.

presto-connector-blackhole

Ändert die Werte in der blackhole.properties-Datei in Presto.

presto-connector-cassandra

Ändert die Werte in der cassandra.properties-Datei in Presto.

presto-connector-hive

Ändert die Werte in der hive.properties-Datei in Presto.

presto-connector-jmx

Ändert die Werte in der jmx.properties-Datei in Presto.

presto-connector-kafka

Ändert die Werte in der kafka.properties-Datei in Presto.

presto-connector-localfile

Ändert die Werte in der localfile.properties-Datei in Presto.

presto-connector-memory

Ändert die Werte in der memory.properties-Datei in Presto.

presto-connector-mongodb

Ändert die Werte in der mongodb.properties-Datei in Presto.

presto-connector-mysql

Ändert die Werte in der mysql.properties-Datei in Presto.

presto-connector-postgresql

Ändert die Werte in der postgresql.properties-Datei in Presto.

presto-connector-raptor

Ändert die Werte in der raptor.properties-Datei in Presto.

presto-connector-redis

Ändert die Werte in der redis.properties-Datei in Presto.

presto-connector-redshift

Ändert die Werte in der redshift.properties-Datei.

presto-connector-tpch

Ändert die Werte in der tpch.properties-Datei in Presto.

presto-connector-tpcds

Ändert die Werte in der tpcds.properties-Datei in Presto.

ranger-kms-dbks-site

Ändert die Werte in der dbks-site.xml-Datei von Ranger KMS.

ranger-kms-site

Ändern Sie die Werte in der ranger-kms-site XML-Datei von Ranger KMS.

ranger-kms-env

Ändert die Werte in der Ranger KMS-Umgebung.

ranger-kms-log4j

Ändert die Werte in der kms-log4j.properties-Datei von Ranger KMS.

ranger-kms-db-ca

Ändert die Werte für die CA-Datei auf S3 für die MySQL SSL-Verbindung mit Ranger KMS.

recordserver-env

Werte in der RecordServer EMR-Umgebung ändern.

recordserver-conf

Ändern Sie die Werte in der Datei RecordServer server.properties von EMR.

recordserver-log4j

Ändern Sie die Werte in der Datei RecordServer log4j.properties von EMR.

spark

Hierbei handelt es sich um von Amazon EMR zusammengestellte Einstellungen für Apache Spark.

spark-defaults

Ändert die Werte in der spark-defaults.conf-Datei in Spark.

spark-env

Ändert die Werte in der Spark-Umgebung.

spark-hive-site

Ändert die Werte in der hive-site.xml-Datei in Spark.

spark-log4j

Ändert die Werte in der log4j.properties-Datei in Spark.

spark-metrics

Ändert die Werte in der metrics.properties-Datei in Spark.

tez-site

Ändert die Werte in der tez-site.xml-Datei in Tez.

yarn-env

Ändert die Werte in der YARN-Umgebung.

yarn-site

Ändert die Werte in der yarn-site.xml-Datei in YARN.

zeppelin-env

Ändert die Werte in der Zeppelin-Umgebung.

zookeeper-config

Ändern Sie die Werte in ZooKeeper der Datei zoo.cfg.

zookeeper-log4j

Ändern Sie die Werte in ZooKeeper der Datei log4j.properties.