0

我正在使用 s3distcp 将 500GB 数据集复制到我的 EMR 集群中。这是一个 12 节点 r4.4xlarge 集群，每个集群都有 750GB 磁盘。它使用 EMR 发布标签emr-5.13.0，我正在添加 Hadoop: Amazon 2.8.3、 Ganglia:3.7.2和 Spark 2.3.0。我正在使用以下命令将数据复制到集群中：

s3-dist-cp --src=s3://bucket/prefix/ --dest=hdfs:///local/path/ --groupBy=.*(part_).* --targetSize=128 --outputCodec=none

当我查看 Ganglia 或 namenode UI（EMR 集群上的端口 50070）中的磁盘使用情况时，我可以看到一个节点的大部分磁盘已填满，而其他节点的使用百分比相似。单击大量文件（〜50）我可以看到文件的副本始终出现在完整节点上。

我正在使用 Spark 转换这些数据，将其写入 HDFS，然后复制回 S3。我在处理这个数据集时遇到了问题，因为我的任务被杀死了。我不确定这是问题的原因。我不需要在本地复制数据，也不需要解压缩。最初我认为 BZIP2 编解码器不可拆分，解压缩有助于在我的 Spark 作业中获得并行性，但我错了，它是可拆分的。我还发现了hdfs balancer我用来重新分配副本的命令，看看这是否解决了我的 Spark 问题。

但是，现在我已经看到了我认为奇怪的行为，我想了解 s3distcp/HDFS 始终在一个节点上创建文件副本是否正常？

4

1 回答 1

1

s3distcp 是封闭源代码；我无法详细评论其内部结构。

当 HDFS 创建数据副本时，它会尝试将一个块保存到本地机器，然后在其他地方再保存 2 个（假设复制==3）。无论哪个主机运行 distcp 工作进程，最终都会拥有整个文件的副本。因此，如果仅使用一台主机进行复制，则会填满。

FWIW，我不相信你需要做那个distcp，如果你可以直接从S3读取和过滤数据，将结果保存到hdfs。您的 spark 工作人员将进行过滤，并将他们的块写回运行这些工作人员的机器和链中的其他主机。对于短期集群，您还可以尝试降低 hdfs 复制因子（2？），以便在整个集群中节省 HDFS 数据，代价是少一个地方供 spark 安排与数据相邻的工作

于 2018-05-19T20:30:40.513 回答