Amazon EMR使用指南

1. 1.创建EMR集群
2. 2.EMR CLI使用
3. 3.EMR角色分布
4. 4.EMR配置文件
5. 5.EMR启动步骤
6. 6.EMR集群的动态伸缩
   1. 1.EMR-manager scaling配置
   2. 2.用户自行配置scaling策略

Amazon EMR是Amazon提供的托管大数据套件，可选的组件包括Hadoop，Hive，Hue，Hbase，Presto，Spark等

使用Amazon EMR的好处是快速伸缩，版本升级也较为方便，如果配合S3存储，可以做到计算和存储分离，这样对于运维的压力会小一些，存储的稳定性交给S3，计算集群即使故障也可以很方便的进行重建，很适合小团队。缺点是界面友好程度远不如CDH和HDP。

如果使用Amazon EMR，最好阅读一下官方的2个文档：

1.Amazon EMR最佳实践

https://d0.awsstatic.com/whitepapers/aws-amazon-emr-best-practices.pdf

2.Amazon EMR迁移指南

https://d1.awsstatic.com/whitepapers/amazon_emr_migration_guide.pdf

1.创建EMR集群#

在创建Amazon EMR集群的时候可以选择快速模式，界面如下

也可以选择高级模式

集群启动了之后，EMR大数据组件的安装目录在/usr/lib

[hadoop@ip-xxxxxxxx lib]$ ls
bigtop-groovy  dracut      hadoop            hadoop-yarn    java        jvm          ld-linux-aarch64.so.1  modules-load.d  rpm               systemd
bigtop-utils   fontconfig  hadoop-hdfs       hbase          java-1.5.0  jvm-commmon  livy                   oozie           sendmail          tez
binfmt.d       games       hadoop-httpfs     hive           java-1.6.0  jvm-exports  locale                 presto          sendmail.postfix  tmpfiles.d
cpp            gcc         hadoop-kms        hive-hcatalog  java-1.7.0  jvm-private  lsb                    python2.7       spark             udev
cups           gems        hadoop-lzo        hudi           java-1.8.0  kbd          modprobe.d             python3.7       sse2              yum-plugins
debug          grub        hadoop-mapreduce  hue            java-ext    kernel       modules                ranger-kms      sysctl.d          zookeeper

EMR管理组件的安装目录在/usr/share/aws/emr

[hadoop@ip-xxxxxxxxxx emr]$ ls
cloudwatch-sink  ddb    emr-log-analytics-metrics  goodies              instance-controller  node-provisioner  s3select
command-runner   emrfs  emr-metrics-collector      hadoop-state-pusher  kinesis              s3-dist-cp        scripts

2.EMR CLI使用#

查看集群的cluster id，参考：https://docs.aws.amazon.com/zh_cn/emr/latest/ManagementGuide/emr-manage-view-clusters.html

aws emr list-clusters

根据cluster id查看集群配置

aws emr describe-cluster --cluster-id j-xxxxxx

3.EMR角色分布#

 amazon EMR的节点分成3类：主节点，核心节点和任务节点

参考：了解节点类型：主节点、核心节点和任务节点 和 部署高可用的EMR集群，为您的业务连续性保驾护航

主节点：

• HDFS Name Node运行在三个主节点中的其中两个。一个为active状态，另一个为 standby状态。当active的Name Node出现故障时，standby的Name Node会变为active并接管所有客户端的操作。EMR会启用一个新的主节点将故障的Name Node替换，并设为standby状态。
• Yarn ResourceManager(RM)运行在所有的三个主节点上。其中，一个RM是active状态，另外两个是standby状态。当active的RM出现故障时，EMR会进行自动故障转移，将其中一个standby节点变为新的active来接管所有操作。之后EMR会将出现故障的master 节点替换，并设为standby状态。

核心节点：

为确保核心节点实例组也具有高可用性，建议您至少启动四个核心节点。如果您决定启动具有三个或更少核心节点的较小集群，请通过将 dfs.replication parameter 设置为至少 2 来配置具有足够 DFS 复制的 HDFS。有关更多信息，请参阅 [HDFS 配置](https://docs.aws.amazon.com/emr/latest/ReleaseGuide/emr-hdfs-config.html)。

节点类型/组件名称	HDFS Namenode	HDFS SecondaryNamenode	HDFS Datanode	JournalNodes	Zookeeper Server	YARN ResourceManager	YARN NodeManager	YARN JobHistoryServer	presto coordinator	presto worker	HiveServer2	HiveMetastore	Hive Gateway	Spark Gateway	Spark HistoryServer	HUE Server
主节点（高可用部署的时候节点数据为3个）分配任务，不需要 Amazon EC2 实例和很高的处理能力	✅	✅		✅	✅	✅		✅	✅		✅	✅	✅	✅	✅	✅
核心节点（处理任务并将数据存储在 HDFS 中）需要处理能力和存储容量			✅				✅			✅
任务节点（不存储数据）只需要处理能力							✅			✅

如果在YARN上运行的是flink任务的话，job manager只能运行在core节点上，不能运行在task节点，因为task节点并不会去/var/lib/flink路径下初始化flink相关组件，而task manager可以运行在task节点上

4.EMR配置文件#

在EMR中对配置进行了修改，比如hive-metastore.xml, hive-server2.xml，core-site.xml，对应如何配置以及需要重启的组件可以参考如下表格：https://docs.aws.amazon.com/zh_cn/emr/latest/ReleaseGuide/emr-630-release.html

5.EMR启动步骤#

参考：Amazon EMR实战心得浅谈

 

如果EMR集群启动失败的话，可以去Log URI查看日志，Terminated with errors后面会告诉你是哪台实例在哪个步骤的时候报错

 

6.EMR集群的动态伸缩#

在创建AWS EMR集群的时候，可以选择开启cluster scaling，auto scaling有2种伸缩策略，一种是EMR-manager scaling，另一种是用户自行配置scaling策略来进行扩缩容

注意在只有core节点和task节点是可以进行扩缩容的，master主节点在EMR集群创建后就无法进行变更

1.EMR-manager scaling配置#

这里需要配置的参数主要控制的是core和task节点的扩缩容实例数量，参考：Using managed scaling in Amazon EMR

Minimum 3 (core + task 最小为3台机器)
Maximum 15 （core + task 最大为15台机器)
On-demand limit (非必须参数，假设Min为2台机器，max为100台机器，On-demand limit为10台，则扩容的时候会有10台机器的购买方式是按需购买，剩余的机器是竞价购买)
Maximum Core Node (非必须参数，core 节点最多为3台)

在使用了EMR-manager scaling之后，EMR集群的扩容主要由集群容量指标控制，比如 TaskNodesRequested，CoreNodesRequested等，``参考：了解托管扩展指标

这里我们手动将task节点的数量从0点resizing成5个，或者可以往YARN上提交需要较大资源的任务，参考：实验9: EMR AUTO SCALING

可以在cloud watch中的EMR相关指标中看到，TaskNodesRequested从0上升到5个

如果实际任务不需要这么多资源，过一小段时间后就会自动缩容 

但是实际测试下来，EMR-manager scaling有时候会出现无法扩容的问题，例如我创建了如下扩容策略的EMR集群

这时即使在创建集群时指定了task的instance group，但是因为其中task节点的数量初始为0，所以集群创建后不会有task的instance group，之后也不能进行扩容

然后我使用如下命令创建了一个flink session cluster

/usr/lib/flink/bin/yarn-session.sh -s 1 -jm 10240 -tm 10240 --detached

但是该flink集群缺无法正常启动，一直提示获取不到足够的资源

在cloudwatch和EMR监控上也看不到任何扩容的请求

所以这里推荐使用用户自行配置scaling策略

参考：Amazon EMR Managed Scaling 介绍——自动调整集群大小，高效节约运营成本

同时EMR托管的扩容只支持YARN应用程序，如 Spark、Hadoop、Hive、Flink；不支持不基于YARN的应用程序，例如 Presto 或 HBase。如果想要对Presto进行扩缩容，只能使用指标来自定义自动扩展，比如查询延迟，CPU使用率，内存使用率以及磁盘I/O等

参考：https://docs.aws.amazon.com/zh_cn/emr/latest/ManagementGuide/emr-scale-on-demand.html

2.用户自行配置scaling策略#

这里配置的扩缩容的节点是Task节点，Core节点由于有HDFS，所以不进行扩缩容

自行编辑扩容策略，这里设置的扩容策略是当AppsPending这个指标大于等于1的时候，扩容2台机器

扩缩容可以支持的指标有很多，如下

指标分成3类，Cluster Status，Node Status以及IO

含义参考：https://docs.aws.amazon.com/emr/latest/ManagementGuide/UsingEMR_ViewingMetrics.html#UsingEMR_ViewingMetrics_MetricsReported