Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

# Prácticas recomendadas de observabilidad de EMR
<a name="emr-metrics-observability"></a>

La observabilidad de la EMR abarca un enfoque integral de monitoreo y administración para los clústeres de AWS EMR. La base se basa en Amazon CloudWatch como servicio de monitoreo principal, complementado por EMR Studio y herramientas de terceros, como Prometheus y Grafana, para mejorar la visibilidad. En este documento, analizamos aspectos específicos de la observabilidad de los clústeres:

1. *[Observabilidad de Spark ](https://github.com/aws/aws-emr-best-practices/blob/main/website/docs/bestpractices/Applications/Spark/observability.md) * (GitHub): en lo que respecta a la interfaz de usuario de Spark, tiene tres opciones en Amazon EMR.

1. *[Solución de problemas de Spark ](https://github.com/aws/aws-emr-best-practices/blob/main/website/docs/bestpractices/Applications/Spark/troubleshooting.md) * (GitHub): resolución de errores.

1. *[Monitorización de clústeres EMR ](https://aws.github.io/aws-emr-best-practices/docs/bestpractices/Observability/best_practices/) * (GitHub): monitorización del rendimiento del clúster.

1. *[Solución de problemas de EMR ](https://github.com/aws/aws-emr-best-practices/blob/main/website/docs/bestpractices/Troubleshooting/Troubleshooting%20EMR.md) * (GitHub): identifique, diagnostique y resuelva los problemas comunes de los clústeres de EMR.

1. *[Optimización de costos ](https://github.com/aws/aws-emr-best-practices/blob/main/website/docs/bestpractices/Cost%20Optimizations/best_practices.md) * (GitHub): en esta sección se describen las mejores prácticas para ejecutar cargas de trabajo rentables.

## Herramienta de optimización del rendimiento para aplicaciones de Apache Spark
<a name="performance-optimization"></a>

1. [AWS La ](https://github.com/aws-samples/aws-emr-advisor) herramienta EMR Advisor analiza los registros de eventos de Spark para ofrecer recomendaciones personalizadas para optimizar las configuraciones de los clústeres de EMR, mejorar el rendimiento y reducir los costos. Al aprovechar los datos históricos, sugiere tamaños de ejecutores y configuraciones de infraestructura ideales, lo que permite una utilización más eficiente de los recursos y un mejor rendimiento general del clúster.

1. [La ](https://github.com/amzn/amazon-codeguru-profiler-for-spark) herramienta Amazon CodeGuru Profiler ayuda a los desarrolladores a identificar los cuellos de botella y las ineficiencias del rendimiento en sus aplicaciones de Spark mediante la recopilación y el análisis de los datos de tiempo de ejecución. La herramienta se integra perfectamente con las aplicaciones de Spark existentes, ya que requiere una configuración mínima, y proporciona información detallada a través de la AWS consola sobre el uso de la CPU, los patrones de memoria y los puntos críticos de rendimiento.