无法在 Amazon EMR 集群上使用 PIG 0.12.0 和 Hadoop 2.4.0 找到 MySql 驱动程序

Posted

技术标签:

【中文标题】无法在 Amazon EMR 集群上使用 PIG 0.12.0 和 Hadoop 2.4.0 找到 MySql 驱动程序【英文标题】:Cannot locate MySql Driver using PIG 0.12.0 and Hadoop 2.4.0 on Amazon EMR Cluster 【发布时间】:2015-05-26 15:27:33 【问题描述】:

我正在使用 SWF 运行创建 EMR 集群的工作流,在该集群上运行 PIG 脚本。我正在尝试使用 PIG 0.12.0 和 Hadoop 2.4.0 运行它,并且在脚本尝试使用 org.apache.pig.piggybank.storage.DBStorage 存储到 RDS 中的 mysql 数据库时,这是一个例外被抛出:

2015-05-26 14:36:47,057 [main] ERROR org.apache.pig.piggybank.storage.DBStorage - 
    can't load DB driver:com.mysql.jdbc.Driver
java.lang.ClassNotFoundException: com.mysql.jdbc.Driver
  at java.net.URLClassLoader$1.run(URLClassLoader.java:366)
  at java.net.URLClassLoader$1.run(URLClassLoader.java:355)
  at java.security.AccessController.doPrivileged(Native Method)
  at java.net.URLClassLoader.findClass(URLClassLoader.java:354)
  at java.lang.ClassLoader.loadClass(ClassLoader.java:425)
  at sun.misc.Launcher$AppClassLoader.loadClass(Launcher.java:308)
  at java.lang.ClassLoader.loadClass(ClassLoader.java:358)
  at java.lang.Class.forName0(Native Method)
  at java.lang.Class.forName(Class.java:191)
  at org.apache.pig.piggybank.storage.DBStorage.<init>(DBStorage.java:66)

这之前一直使用 Pig 0.11.1 和 Hadoop 1.0.3。 SWF 工作流程和活动使用 Java AWS SDK 版本 1.9.19 以 Java 编写。在更广泛的互联网上搜索信息表明需要修改 PIG_CLASSPATH 以包含 MySql 连接器 JAR - 目前脚本包括

REGISTER $LIB_PATH/mysql-connector-java-5.1.26.jar;

其中 $LIB_PATH 是一个 S3 位置,但有人建议这对于 Pig 0.12.0 + Hadoop 2.4.0 来说已经不够用了

构造用于启动集群的请求的代码如下所示

public final RunJobFlowRequest constructRequest(final List<String> params) 
    ConductorContext config = ContextHolder.get();

    final JobFlowInstancesConfig instances = new JobFlowInstancesConfig().withInstanceCount(config.getEmrInstanceCount())
            .withMasterInstanceType(config.getEmrMasterType()).withSlaveInstanceType(config.getEmrSlaveType())
            .withKeepJobFlowAliveWhenNoSteps(false).withHadoopVersion(config.getHadoopVersion());

    if (!StringUtils.isBlank(config.getEmrEc2SubnetId())) 
        instances.setEc2SubnetId(config.getEmrEc2SubnetId());
    

    final BootstrapActionConfig bootStrap = new BootstrapActionConfig().withName("Bootstrap Pig").withScriptBootstrapAction(
            new ScriptBootstrapActionConfig().withPath(config.getEmrBootstrapPath()).withArgs(config.getEmrBootstrapArgs()));

    final StepFactory stepFactory = new StepFactory();
    final List<StepConfig> steps = new LinkedList<>();

    steps.add(new StepConfig().withName("Enable Debugging").withActionOnFailure(ActionOnFailure.TERMINATE_JOB_FLOW)
            .withHadoopJarStep(stepFactory.newEnableDebuggingStep()));

    steps.add(new StepConfig().withName("Install Pig").withActionOnFailure(ActionOnFailure.TERMINATE_JOB_FLOW)
            .withHadoopJarStep(stepFactory.newInstallPigStep(config.getPigVersion())));

    for (final PigScript originalScript : config.getScripts()) 
        ArrayList<String> newParams = new ArrayList<>();

        newParams.addAll(Arrays.asList(originalScript.getScriptParams()));
        newParams.addAll(params);

        final PigScript script = new PigScript(originalScript.getName(), originalScript.getScriptUrl(),
                AWSHelper.burstParameters(newParams.toArray(new String[newParams.size()])));

        steps.add(new StepConfig()
                .withName(script.getName())
                .withActionOnFailure(ActionOnFailure.CONTINUE)
                .withHadoopJarStep(
                        stepFactory.newRunPigScriptStep(script.getScriptUrl(), config.getPigVersion(), script.getScriptParams())));
    

    final RunJobFlowRequest request = new RunJobFlowRequest().withName(makeRunJobName()).withSteps(steps).withVisibleToAllUsers(true)
            .withBootstrapActions(bootStrap).withLogUri(config.getEmrLogUrl()).withInstances(instances);

    return request;

【问题讨论】:

【参考方案1】:

在我的情况下,解决方案是修改引导集群时使用的 shell 脚本以将合适的 JAR 复制到适当的位置

wget http://central.maven.org/maven2/mysql/mysql-connector-java/5.1.34/mysql-connector-java-5.1.34.jar -O $PIG_CLASSPATH/mysql-connector-java-5.1.34.jar

因此,总而言之,对于 Hadoop 2.4.0 和 Pig 0.12.0,在脚本中注册 JAR 已经不够了,JAR 必须在调用 Pig 时可用,方法是确保它在$PIG_CLASSPATH

【讨论】:

以上是关于无法在 Amazon EMR 集群上使用 PIG 0.12.0 和 Hadoop 2.4.0 找到 MySql 驱动程序的主要内容,如果未能解决你的问题,请参考以下文章

Pig 脚本无法使用 Amazon EMR

从 Pig UDF Java 类、Amazon EMR 中的分布式缓存访问文件

在 Amazon EMR 上为 Pig UDF 加载外部 python 模块

amazon emr pig:使用参数文件

如何在 Amazon EMR 上的 pig 中使用 Python 流 UDF

在 Amazon EMR 中运行的 Pig 作业的引导文件的路径是啥