在上一篇文章中，我描述了執(zhí)行PageRank計算的示例，該示例是使用Apache Hadoop進(jìn)行Mining Massive Dataset課程的一部分。 在那篇文章中，我接受了Java中現(xiàn)有的Hadoop作業(yè)，并做了一些修改（添加了單元測試，并通過參數(shù)設(shè)置了文件路徑）。 這篇文章展示了如何在現(xiàn)實(shí)的Hadoop集群上使用此作業(yè)。 該集群是一個由1個主節(jié)點(diǎn)和5個核心節(jié)點(diǎn)組成的AWS EMR集群 ，每個集群均由m3.xlarge實(shí)例支持。

第一步是為集群準(zhǔn)備輸入。 我使用AWS S3是因為這是使用EMR時的便捷方式。 我創(chuàng)建了一個新存儲桶'emr-pagerank-demo'，并制作了以下子文件夾：

• in：包含作業(yè)輸入文件的文件夾
• job：包含我的可執(zhí)行Hadoop jar文件的文件夾
• 日志：EMR將放置其日志文件的文件夾

然后，在“ in”文件夾中，我復(fù)制了要排名的數(shù)據(jù)。 我用這個文件作為輸入。 解壓縮后，它變成了一個具有XML內(nèi)容的5 GB文件，盡管不是很大，但對于此演示來說已經(jīng)足夠。 當(dāng)您使用前一篇文章的源代碼并運(yùn)行“ mvn clean install”時，您將獲得jar文件：“ hadoop-wiki-pageranking-0.2-SNAPSHOT.jar”。 我將此jar文件上傳到“作業(yè)”文件夾。

就是為了準(zhǔn)備。 現(xiàn)在我們可以啟動集群了。 在此演示中，我使用了AWS管理控制臺 ：

• • 命名集群
  • 輸入日志文件夾作為日志位置

• • 輸入核心實(shí)例數(shù)

• • 為我們的自定義罐添加一個步驟

• • 像這樣配置步驟：

• • 這將導(dǎo)致以下概述：

如果正確，則可以按“創(chuàng)建集群”按鈕，并使EMR進(jìn)行工作。 您可以在控制臺的“監(jiān)視”部分監(jiān)視集群：

并在“步驟”部分中監(jiān)視步驟的狀態(tài)：

幾分鐘后，作業(yè)將完成（當(dāng)然取決于輸入文件的大小和使用的群集）。 在我們的S3存儲桶中，我們可以看到在'log'文件夾中創(chuàng)建了日志文件：

在這里，我們總共看到7個作業(yè)：1 x Xml準(zhǔn)備步驟，5 x rankCalculator步驟和1 x rankOrdering步驟。

更重要的是，我們可以在“結(jié)果”文件夾中查看結(jié)果：

每個reducer都會創(chuàng)建自己的結(jié)果文件，因此我們在這里有多個文件。 我們對排名最高的網(wǎng)頁感興趣，因為其中的網(wǎng)頁排名最高。 如果我們查看此文件，將看到以下結(jié)果排在前10位：

271.6686 Spaans 274.22974 Romeinse_Rijk 276.7207 1973 285.39502 Rondwormen 291.83002 Decapoda 319.89224 Brussel_(stad) 390.02606 2012 392.08563 Springspinnen 652.5087 2007 2241.2773 Boktorren

請注意，當(dāng)前的實(shí)現(xiàn)只運(yùn)行5次計算（硬編碼），因此實(shí)際上并沒有如MMDS理論中所描述的那樣進(jìn)行冪次迭代（對軟件的下一版進(jìn)行了很好的修改：-）。

另請注意，使用默認(rèn)設(shè)置時，作業(yè)完成后群集不會終止，因此在手動終止群集之前，群集的成本會增加。

翻譯自: https://www.javacodegeeks.com/2015/03/running-pagerank-hadoop-job-on-aws-elastic-mapreduce.html

總結(jié)

以上是生活随笔為你收集整理的在AWS Elastic MapReduce上运行PageRank Hadoop作业的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。