将文件从 AWS EMR 集群中的映射器上传到 S3

Posted 2023-04-17

【中文标题】将文件从 AWS EMR 集群中的映射器上传到 S3

【英文标题】：Uploading files from mapper in AWS EMR cluster to S3

【发布时间】：2012-11-20 06:21:47

【问题描述】：

我有一个在 AWS EMR 上运行的现有 map reduce 作业，它处理数十亿行日志并进行一些计算以从 mapper 形成（键、值）对。这些计算非常耗时，我需要在其他一些 map reduce 作业中使用这些计算的一些中间步骤的输出。所以，我想利用计算的输出并上传到 s3，而不影响现有的工作（即不改变当前的映射器或减速器）。在上传之前，我会先将这些行收集到一个本地临时文件中，一旦文件变得足够大，我会将这个文件上传到 s3。

问题是 - 与 reducer 不同，Mapper 不能根据键对数据进行排序。如何为 s3 设计唯一的文件名以从不同的映射器上传数据，以免出现任何文件名冲突？

我正在使用 Java。如果有办法获取映射器集群 ID 或生成随机编号，也可以解决问题。所有映射器独有（我不知道该怎么做？）

【参考方案1】：

您可以获得当前运行的 Hadoop 任务的任务尝试 ID，该 ID 在所有映射器中都是唯一的，因此可以用作文件名。以下方法将为您提供尝试 ID：

public static String getAttemptId(Configuration conf) throws IllegalArgumentException
   
       if (conf == null) 
           throw new NullPointerException("conf is null");
       

       String taskId = conf.get("mapred.task.id");
       if (taskId == null) 
           throw new IllegalArgumentException("Configutaion does not contain the property mapred.task.id");
       

       String[] parts = taskId.split("_");
       if (parts.length != 6 ||
               !parts[0].equals("attempt") ||
               (!"m".equals(parts[3]) && !"r".equals(parts[3]))) 
           throw new IllegalArgumentException("TaskAttemptId string : " + taskId + " is not properly formed");
       

       return parts[4] + "-" + parts[5];