S3DistCp Utility Differences With Earlier AMI Versions of Amazon EMR

S3DistCp Versions Supported in Amazon EMR

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。

Version	説明:	リリース日
1.0.8	_を追加します。 --appendToLastFile、 --requirePreviousManifest、および --storageClass オプション。	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

Add an S3DistCp Copy Step to a Cluster

実行中のクラスタに S3DistCp コピー手順を追加するには、次のコマンドを入力します。j-3GYXXXXXX9IOK クラスタIDを使用して、mybucket 皆さんの Amazon S3 バケット名。

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-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。

ロードする Amazon CloudFront HDFS にログインし、次のコマンドを入力します。j-3GYXXXXXX9IOK クラスタIDを使用して、mybucket 皆さんの Amazon S3 バケット名。

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-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
		

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