8

如何在 Amazon EMR 上使用Pydoop ？

我试着用谷歌搜索这个话题无济于事：这有可能吗？

4

2 回答 2

8

我终于得到了这个工作。一切都发生在主节点上...作为用户 hadoop ssh 到该节点

你需要一些包：

sudo easy_install argparse importlib
sudo apt-get update
sudo apt-get install libboost-python-dev

构建东西：

wget http://apache.mirrors.pair.com/hadoop/common/hadoop-0.20.205.0/hadoop-0.20.205.0.tar.gz
wget http://sourceforge.net/projects/pydoop/files/Pydoop-0.6/pydoop-0.6.0.tar.gz
tar xvf hadoop-0.20.205.0.tar.gz
tar xvf pydoop-0.6.0.tar.gz

export JAVA_HOME=/usr/lib/jvm/java-6-sun 
export JVM_ARCH=64 # I assume that 32 works for 32-bit systems
export HADOOP_HOME=/home/hadoop
export HADOOP_CPP_SRC=/home/hadoop/hadoop-0.20.205.0/src/c++/
export HADOOP_VERSION=0.20.205
export HDFS_LINK=/home/hadoop/hadoop-0.20.205.0/src/c++/libhdfs/

cd ~/hadoop-0.20.205.0/src/c++/libhdfs
sh ./configure
make
make install
cd ../install
tar cvfz ~/libhdfs.tar.gz lib
sudo tar xvf ~/libhdfs.tar.gz -C /usr

cd ~/pydoop-0.6.0
python setup.py bdist
cp dist/pydoop-0.6.0.linux-x86_64.tar.gz ~/
sudo tar xvf ~/pydoop-0.6.0.linux-x86_64.tar.gz -C /

保存这两个压缩包，以后可以跳过构建部分，只需执行以下操作即可安装（需要弄清楚如何执行此操作，这是在多节点集群上安装的 boostrap 选项）

sudo tar xvf ~/libhdfs.tar.gz -C /usr
sudo tar xvf ~/pydoop-0.6.0.linux-x86_64.tar.gz -C /

然后，我能够使用成熟的 Hadoop API运行示例程序 （在修复了构造函数中的错误以便它调用之后super(WordCountMapper, self)）。

#!/usr/bin/python

import pydoop.pipes as pp

class WordCountMapper(pp.Mapper):

  def __init__(self, context):
    super(WordCountMapper, self).__init__(context)
    context.setStatus("initializing")
    self.input_words = context.getCounter("WORDCOUNT", "INPUT_WORDS")

  def map(self, context):
    words = context.getInputValue().split()
    for w in words:
      context.emit(w, "1")
    context.incrementCounter(self.input_words, len(words))

class WordCountReducer(pp.Reducer):

  def reduce(self, context):
    s = 0
    while context.nextValue():
      s += int(context.getInputValue())
    context.emit(context.getInputKey(), str(s))

pp.runTask(pp.Factory(WordCountMapper, WordCountReducer))

我将该程序上传到存储桶并调用它运行。然后我使用了以下 conf.xml：

<?xml version="1.0"?>
<configuration>

<property>
  <name>hadoop.pipes.executable</name>
  <value>s3://<my bucket>/run</value>
</property>

<property>
  <name>mapred.job.name</name>
  <value>myjobname</value>
</property>

<property>
  <name>hadoop.pipes.java.recordreader</name>
  <value>true</value>
</property>

<property>
  <name>hadoop.pipes.java.recordwriter</name>
  <value>true</value>
</property>

</configuration>

最后，我使用了以下命令行：

hadoop pipes -conf conf.xml -input s3://elasticmapreduce/samples/wordcount/input -output s3://tmp.nou/asdf
于 2012-06-04T22:15:41.397 回答
2

给出的答案只是部分正确，但解决方案比这样做更简单：

将此代码复制到您在计算机上创建的 bash 文件中：

引导程序.sh：

#!/bin/bash
pip install pydoop

完成写入此文件后，将其上传到 s3 存储桶。

然后您可以在 emr 添加引导操作：
选择“自定义操作”为您的 s3 存储桶提供路径。而且，您的 emr 集群中安装了一个 pydoop。

于 2015-06-10T05:43:38.403 回答