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。S3DistCp 1.0.7 以降のバージョンは、直接クラスターで見つかります。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 バージョンを指定する機能の強化。 | 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 | S3DistCp の初回リリース。 | 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-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、Linux の行連結文字 (\) を含めています。Linux コマンドでは、これらの文字は削除することも、使用することもできます。Windows の場合は、削除するか、キャレット (^) で置き換えます。
aws emr add-steps --cluster-idj-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 に読み込む
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 に読み込みます。このプロセスでは、圧縮フォーマットを Gzip
(CloudFront のデフォルト) 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 に読み込むには、次のコマンドを入力し、j-3GYXXXXXX9IOK をクラスター ID に置き換え、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、Linux の行連結文字 (\) を含めています。Linux コマンドでは、これらの文字は削除することも、使用することもできます。Windows の場合は、削除するか、キャレット (^) で置き換えます。
aws emr add-steps --cluster-idj-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://aws-s3-bucket1/cf/XABCD12345678.2012-02-23-01.HLUS3JKx.gz s3://aws-s3-bucket1/cf/XABCD12345678.2012-02-23-01.I9CNAZrg.gz s3://aws-s3-bucket1/cf/XABCD12345678.2012-02-23-02.YRRwERSA.gz s3://aws-s3-bucket1/cf/XABCD12345678.2012-02-23-02.dshVLXFE.gz s3://aws-s3-bucket1/cf/XABCD12345678.2012-02-23-02.LpLfuShd.gz
S3DistCp は、ファイルを、次の 2 つのファイルにコピー、統合、および圧縮します。ファイル名は、正規表現で一致した内容によって決まります。
hdfs:///local/2012-02-23-01.lzo hdfs:///local/2012-02-23-02.lzo
