Amazon EMR 是一个托管集群平台,可简化在AWS上运行大数据框架(Hadoop 和spark)以处理和分析海量数据的操作。借助相关的开源项目(Hive和Pig), 处理数据和商业只能工作负载。还可以使用EMR转换大量数据和将大量数据移入和移出其他AWS数据存储和数据库如S3和DynamoDB。
集群(cluster) ,一组EC2实例的集合,每一个节点都有不同的角色即节点类型
主节点;管理集群以实现处理作业,协调数据和任务在其他从属节点的分配,跟踪监控状态。
核心节点: 运行任务,存储数据
任务节点:只运行人物,不存储数据,可选
向集群提交工作时需要:完整定义mapreduce中的工作、创建集群、安装hadoop软件、连接集群并提交任务
存储: HDFS、EMRFS(直接访问S3内的数据) 本地文件系统
集群资源管理:YARN
数据处理框架: Hadoop mapredcue 以及spark
应用程序:Hive、Pig、spark streaming 等
入门实例 利用EMR分析大数据
1 创建S3存储桶 ,设置输入数据和输出数据
2启动集群cluster 设置包括:预先安装程序模板 实例类型个数 权限等
3准备数据和脚本存放到s3中
4 在setp中设置数据和脚本的存储位置,加载setp进行数据处理