在 bootstrap 个操作中找不到 Hadoop 命令

Question

我有一个 EMR 集群，它使用来自我的 s3 的 script.sh 作为 bootstrap 操作。在此，它包括一些 hadoop dfs -distcp 和 hadoop dfs -copyToLocal 命令。如果我登录到构建的 EMR 集群并使用运行命令，那绝对没问题，但如果我尝试将其作为 bootstrap 操作的一部分进行操作，则会失败。此处的日志文件：

You are using pip version 6.1.1, however version 8.1.1 is available.
You should consider upgrading via the 'pip install --upgrade pip' command.
/mnt/var/lib/bootstrap-actions/1/setup.sh: line 4: hadoop: command not found
/mnt/var/lib/bootstrap-actions/1/setup.sh: line 7: hdfs: command not found
/mnt/var/lib/bootstrap-actions/1/setup.sh: line 8: hadoop: command not found`

我认为这意味着 hadoop 可执行文件尚未加载，但如果是这样，我该如何延迟？我尝试做的一系列操作是启动 EMR 集群，自动从 s3 获取数据，执行分析，生成输出，将输出复制回 s3，关闭集群

谢谢！

Answer 1

虽然传统的 Hadoop 集群将数据存储在 HDFS（Hadoop 分布式文件系统），但建议 Amazon EMR 集群将其源数据和最终输出存储在 亚马逊 S3.

使用 Amazon S3 进行存储提供多项优势：

无限存储（而 HDFS 在集群中是固定大小）
持久数据存储（而 HDFS 中的数据在 Amazon EMR 集群终止时丢失）
更容易与其他知道如何 read/write 到 Amazon S3

无需通过 bootstrap 操作 从 Amazon S3 加载数据，许多 Hadoop 服务可以在本地与 Amazon S3 交互。例如，下面是一个 Hive 命令，它根据已存储在 Amazon S3 中的数据创建 table：

CREATE EXTERNAL TABLE orders_s3_export 
( order_id string, customer_id string, order_date int, total double ) 
PARTITIONED BY (year string, month string) 
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' 
LOCATION 's3://us-west-2-aws-training/awsu-ilt/big-data/v2.0/data/lab1/data/ddb-orders';

当 SELECT 命令在此 table 上运行时，Hive 将自动在 Amazon S3 中查找数据文件。同样，当数据插入 table 时，它将存储在 Amazon S3 上的文件中（这有利于 Hive 作业的最终输出）。

参见：Additional Features of Hive in Amazon EMR

Spark 还能够直接从 Amazon S3 访问数据。

参见：Reading and Writing S3 Data with Apache Spark

Answer 2

没错，在执行 bootstrap 操作时 hadoop 可执行文件尚未加载。

如此处所述：https://aws.amazon.com/premiumsupport/knowledge-center/bootstrap-step-emr/ bootstrap 操作是运行在配置 Amazon EMR 集群并从 STARTING 集群状态转换为 BOOTSTRAPPING 集群状态后的第一件事.

为了能够执行您的命令，您需要使用一个步骤。

在 bootstrap 个操作中找不到 Hadoop 命令

Hadoop command not found in bootstrap actions

hadoop

amazon-emr

emr