通过命令行界面使用AWS ElasticMapReduce

在本文中，我将通过针对EMR的CLI使用AWS MapReduce服务（称为ElasticMapReduce ）。

使用EMR的过程可以大致分为三个步骤：

• 设置并填充S3存储桶
• 创建并运行EMR作业
• 从S3存储桶中获取结果

在开始这三个高级步骤之前，还需要安排一些其他事项：

• 您将需要拥有一个AWS账户
• 您将需要在计算机上安装S3客户端
• 您将需要在计算机上安装EMR CLI

好吧，对于AWS账户，我只是假设它存在，否则就该让自己一个了

作为S3客户端，我使用s3cmd ，我在这里描述了安装。

要安装EMR CLI（在运行Lion的MacBook上），请按照此处介绍的步骤进行操作。 如说明所述，CLI可与Ruby 1.8.7版一起使用。 而不是更高版本。 由于我的MacOS默认情况下带有Ruby 1.9.3，因此确实不起作用。 但是，没有恐慌，只是得到最新版本的CLI的这里从GitHub的（我更喜欢在降级标准的Ruby安装）。

安装EMR后，需要对其进行配置。 第一步是在EMR CLI目录的根目录中创建一个'credentials.json'文件。 我的凭据.json的内容：

{
"access_id": "XXXXXXXXXXXXXXX",
"private_key": "XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX",
"keypair": "4synergy_palma",
"key-pair-file": "/Users/pascal/4synergy_palma.pem",
"log_uri": "S3://map-reduce-intro/log",
"region": "eu-west-1"
}

安装CLI后，我们可以开始实际工作。 我只坚持《 EMR开发人员指南》中的示例。

1.设置并填充S3存储桶

打开终端窗口。

从命令行创建S3存储桶：

s3cmd mb s3://map-reduce-intro

创建一个要与测试作业一起使用的输入文件：

nano input.txt

并在其中添加一些文本：

接下来，将此文件上传到存储桶中新文件夹中的存储桶中：

s3cmd put input.txt s3://map-reduce-intro/input/

接下来，创建一个映射器函数（Python脚本）并将其上传到S3存储桶：

nano wordsplitter.py

并从开发人员指南中放入示例脚本：

将该文件也上传到S3存储桶中，如下所示：

s3cmd put wordsplitter.py s3://map-reduce-intro/job/

如开发人员指南中所述，由于我们使用的是Hadoop的默认约简功能“聚合”，因此我们仅提供了映射脚本。

现在输入已准备就绪，我们可以创建作业并执行它。

2.创建并运行EMR作业

为此，我们从EMR CLI安装的根目录执行以下命令：

./elastic-mapreduce --create --stream --mapper s3://map-reduce-intro/job/wordsplitter.py --input s3://map-reduce-intro/input --output s3://map-reduce-intro/results --reducer aggregate

终端中的输出将只是一个作业ID，例如：

Created job flow j-2MO24NGGNMC5N

从S3存储桶中获取结果

如果我们移至S3存储桶并列出“结果”文件夹，则会看到以下内容（请注意，启动，执行和终止集群可能需要几分钟的时间）：

MacBook-Air-van-Pascal:~ pascal$ s3cmd ls s3://map-reduce-intro/results/
2013-05-06 20:03 0 s3://map-reduce-intro/results/_SUCCESS
2013-05-06 20:03 27 s3://map-reduce-intro/results/part-00000
MacBook-Air-van-Pascal:~ pascal$

_SUCCESS文件只是告诉我们这项工作进展顺利。 文件“ part-00000”包含我们执行的“聚合”操作的输出。 要获得它，请执行以下操作：

s3cmd get s3://map-reduce-intro/results/part-00000

现在，如果我们查看预期的内容：

我知道这是一个非常基本的示例，关于EMR的确还有很多要展示的地方，但是至少这应该让您自己开始使用它。

需要记住的一件事是每小时收取费用，如果您仅使用群集几秒钟，则需要支付整个小时的费用。 一个小时的成本比群集的EC2成本高约0.015美分。

参考： The Pragmatic Integrator博客上的JCG合作伙伴 Pascal Alma 结合使用AWS ElasticMapReduce和命令行界面 。

翻译自: https://www.javacodegeeks.com/2013/05/using-aws-elasticmapreduce-with-the-command-line-interface.html