Amazon EMR の以前の AMI バージョンと S3DistCp ユーティリティの相違点

Amazon EMR でサポートされる S3DistCp バージョン

次の S3DistCp バージョンは、Amazon EMR AMI リリースでサポートされています。1.0.7DistCp 以降の S3 バージョンは、クラスター上で直接見つかります。最新の機能を使用するには、/home/hadoop/lib の JAR を使用します。

バージョン	説明	リリース日
1.0.8	--appendToLastFile、--requirePreviousManifest、および --storageClass オプションを追加します。	2014 年 1 月 3 日
1.0.7	--s3ServerSideEncryption オプションの追加。	2013 年 5 月 2 日
1.0.6	--s3Endpoint オプションの追加。	2012 年 8 月 6 日
1.0.5	実行する S3DistCp のバージョンを指定する機能が向上しました。	2012 年 6 月 27 日
1.0.4	--deleteOnSuccess オプションの強化。	2012 年 6 月 19 日
1.0.3	--numberFiles および --startingIndex オプションの追加。	2012 年 6 月 12 日
1.0.2	グループ使用時のファイル名前付け機能の強化。	2012 年 6 月 6 日
1.0.1	S3 の初回リリースDistCp。	2012 年 1 月 19 日

S3DistCp コピーステップをクラスターに追加する

実行中のクラスターに S3DistCp コピーステップを追加するには、次のコマンドを入力し、j-3GYXXXXXXXX9IOK をクラスター ID に置き換えて、mybucket を Amazon S3 バケット名に置き換えます。

注記

読みやすくするために、Linux 行連続文字 (\) が含まれています。Linux コマンドでは、これらは削除することも、使用することもできます。Windows の場合、削除するか、キャレット (^) に置き換えてください。

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,.*[a-zA-Z,]+"]

例 Amazon CloudFront ログを HDFS にロードする

この例では、実行中のクラスターにステップを追加して、Amazon CloudFront ログを HDFS にロードします。このプロセスでは、圧縮フォーマットを Gzip ( CloudFront デフォルト) から LZO に変更します。LZO を使用して圧縮されたデータは解凍時に複数のマップに分割できるので便利です。Gzip のように、圧縮が完了するのを待つ必要はありません。これにより、Amazon EMR を使用してデータを分析するときのパフォーマンスが改善します。また、この例では、--groupBy オプションで指定されている正規表現を使用して、指定された時間のすべてのログを 1 つのファイルにまとめることによっても、パフォーマンスが向上しています。Amazon EMR クラスターは、小さな Gzip 圧縮ファイルを多数処理するよりも、大きな数個の LZO 圧縮ファイルを処理する方が効率的に動作します。LZO ファイルを分割するには、それらのインデックスを作成して、hadoop-lzo サードパーティー製のライブラリを使用する必要があります。

Amazon CloudFront ログを HDFS にロードするには、次のコマンドを入力し、j-3GYXXXXXX9IOK をクラスター ID に置き換えて、mybucket を Amazon S3 バケット名に置き換えます。

注記

読みやすくするために、Linux 行連続文字 (\) が含まれています。Linux コマンドでは、これらは削除することも、使用することもできます。Windows の場合、削除するか、キャレット (^) に置き換えてください。

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=["--src,s3://mybucket/cf","--dest,hdfs:///local",\
"--groupBy,.*XABCD12345678.([0-9]+-[0-9]+-[0-9]+-[0-9]+).*",\
"--targetSize,128",
"--outputCodec,lzo","--deleteOnSuccess"]

前述の例が、次の CloudFront ログファイルで実行された場合を考えてみてください。

s3://DOC-EXAMPLE-BUCKET1/cf/XABCD12345678.2012-02-23-01.HLUS3JKx.gz
s3://DOC-EXAMPLE-BUCKET1/cf/XABCD12345678.2012-02-23-01.I9CNAZrg.gz
s3://DOC-EXAMPLE-BUCKET1/cf/XABCD12345678.2012-02-23-02.YRRwERSA.gz
s3://DOC-EXAMPLE-BUCKET1/cf/XABCD12345678.2012-02-23-02.dshVLXFE.gz
s3://DOC-EXAMPLE-BUCKET1/cf/XABCD12345678.2012-02-23-02.LpLfuShd.gz
		

S3 は、ファイルを次の 2DistCp つのファイルにコピー、連結、圧縮します。ファイル名は、正規表現による一致によって決まります。

hdfs:///local/2012-02-23-01.lzo
hdfs:///local/2012-02-23-02.lzo