Amazon EMR, versión 4.4.0 - Amazon EMR

Amazon EMR, versión 4.4.0

Versiones de las aplicaciones de la versión 4.4.0

Esta versión admite las siguientes aplicaciones: Ganglia, HCatalog, Hadoop, Hive, Hue, Mahout, Oozie-Sandbox, Pig, Presto-Sandbox, Spark, Sqoop-Sandbox y Zeppelin-Sandbox.

En la siguiente tabla se enumeran las versiones de la aplicación disponibles en esta versión de Amazon EMR y las versiones de la aplicación en las tres versiones anteriores de Amazon EMR (cuando corresponda).

Para ver un historial completo de las versiones de la aplicación disponibles para cada versión de Amazon EMR, consulte los temas siguientes:

Información sobre la versión de la aplicación
emr-4.4.0 emr-4.3.0 emr-4.2.0 emr-4.1.0
AWS SDK para Java 1.10.271.10.271.10.27No registrado
Python No registradoNo registradoNo registradoNo registrado
Scala No registradoNo registradoNo registradoNo registrado
AmazonCloudWatchAgent - - - -
Delta - - - -
Flink - - - -
Ganglia3.7.23.7.23.6.0 -
HBase - - - -
HCatalog1.0.0 - - -
Hadoop2.7.12.7.12.6.02.6.0
Hive1.0.01.0.01.0.01.0.0
Hudi - - - -
Hue3.7.13.7.13.7.13.7.1
Iceberg - - - -
JupyterEnterpriseGateway - - - -
JupyterHub - - - -
Livy - - - -
MXNet - - - -
Mahout0.11.10.11.00.11.00.11.0
Oozie - - - -
Oozie-Sandbox4.2.04.2.04.2.04.0.1
Phoenix - - - -
Pig0.14.00.14.00.14.00.14.0
Presto - - - -
Presto-Sandbox0.1360.1300.1250.119
Spark1.6.01.6.01.5.21.5.0
Sqoop - - - -
Sqoop-Sandbox1.4.6 - - -
TensorFlow - - - -
Tez - - - -
Trino (PrestoSQL) - - - -
Zeppelin - - - -
Zeppelin-Sandbox0.5.60.5.50.5.50.6.0-SNAPSHOT
ZooKeeper - - - -
ZooKeeper-Sandbox - - - -

Notas de la versión 4.4.0

Las siguientes notas de la versión incluyen información sobre la versión 4.4.0 de Amazon EMR.

Fecha de lanzamiento: 14 de marzo de 2016

Características
  • Se ha añadido HCatalog 1.0.0

  • Se ha añadido Sqoop-Sandbox 1.4.6

  • Actualizado a Presto 0.136

  • Actualizado a Zeppelin 0.5.6

  • Actualizado a Mahout 0.11.1

  • dynamicResourceAllocation habilitado de forma predeterminada.

  • Se ha añadido una tabla de todas las clasificaciones de configuración para esta versión. Para obtener más información, consulte la tabla de clasificaciones de configuración de Configuración de aplicaciones.

Problemas conocidos resueltos de las versiones anteriores
  • Se ha corregido un error donde la configuración maximizeResourceAllocation no reservaría memoria suficiente para daemons ApplicationMaster de YARN.

  • Se ha corregido un problema encontrado con una DNS personalizada. Si alguna entrada en resolve.conf precede a las entradas personalizadas proporcionada, entonces las entradas personalizadas no se pueden resolver. Este comportamiento se veía afectado por clústeres en una VPC donde el servidor de nombres de VPC predeterminado se inserta como entrada superior en resolve.conf.

  • Se ha corregido un problema donde la versión predeterminada de Python se traslada a la versión 2.7 y boto no se ha instalado para dicha versión.

  • Se ha corregido un error donde los contenedores de YARN y las aplicaciones de Spark generarían un archivo único de base de datos round robin (rrd) de Ganglia, que daría lugar a que se llenara el primer disco asociado a la instancia. Debido a esta solución, las métricas en el nivel de contenedor de YARN se han deshabilitado y las métricas en el nivel de aplicación de Spark se han deshabilitado.

  • Se ha corregido un problema en el insertador de registros que eliminaría todas las carpetas con registro vacío. El resultado era que la CLI de Hive no podía realizar el registro porque el insertador de registros eliminaba la carpeta user vacía en /var/log/hive.

  • Se ha corregido un problema que afectaba a las importaciones de Hive, que afectaba a las particiones y daba lugar a un error durante la importación.

  • Se ha corregido un problema donde EMRFS y s3-dist-cp no gestionaban de forma adecuada los nombres de bucket que contenían puntos.

  • Se ha cambiado un comportamiento en EMRFS, de forma que los buckets con control de versiones habilitado en el archivo de marcador _$folder$ no se creaba de forma continua, lo que podría contribuir a mejorar el rendimiento de los buckets con control de versiones habilitado.

  • Se ha cambiado el comportamiento en EMRFS de forma que no utiliza archivos de instrucciones, excepto en aquellos casos en los que el cifrado del lado del cliente está habilitado. Si desea eliminar archivos de instrucciones al utilizar el cifrado del lado cliente, puede establecer la propiedad de emrfs-site.xml, fs.s3.cse.cryptoStorageMode.deleteInstructionFiles.enabled, en true.

  • Se ha cambiado la agregación de registros de YARN para conservar los registros en el destino agregación durante dos días. El destino predeterminado es el almacenamiento de HDFS de su clúster. Si desea cambiar esta duración, cambie el valor de yarn.log-aggregation.retain-seconds utilizando la clasificación de configuración yarn-site al crear el clúster. Como siempre, puede guardar los registros de las aplicaciones en Amazon S3 utilizando el parámetro log-uri al crear el clúster.

Parches aplicados

Versiones de los componentes de la versión 4.4.0

A continuación, se muestran los componentes que Amazon EMR instala con esta versión. Algunos se instalan como parte de paquetes de aplicación de Big Data. Otros son exclusivos de Amazon EMR y se instalan para ciertos procesos y características del sistema. Normalmente, estos componentes comienzan con emr o aws. Normalmente, los paquetes de aplicación de macrodatos de la versión más reciente de Amazon EMR son las versiones más recientes que pueden encontrarse en la comunidad. Intentamos que las versiones de la comunidad estén disponibles en Amazon EMR lo más rápido posible.

Algunos componentes de Amazon EMR son distintos de las versiones que se encuentran en la comunidad. Estos componentes tienen una etiqueta de versión con el formato CommunityVersion-amzn-EmrVersion. La EmrVersion empieza por 0. Por ejemplo, si un componente de la comunidad de código abierto llamado myapp-component con la versión 2.2 se ha modificado tres veces para incluirlo en diferentes versiones de lanzamiento de Amazon EMR, la versión que se mostrará será 2.2-amzn-2.

Componente Versión Descripción
emr-ddb3.0.0Conector de Amazon DynamoDB para aplicaciones del ecosistema de Hadoop.
emr-goodies2.0.0Bibliotecas especialmente prácticas para el ecosistema de Hadoop.
emr-kinesis3.1.0Conector de Amazon Kinesis para aplicaciones del ecosistema de Hadoop.
emr-s3-dist-cp2.2.0Aplicación de copia distribuida optimizada para Amazon S3.
emrfs2.4.0Conector de Amazon S3 para aplicaciones del ecosistema de Hadoop.
ganglia-monitor3.7.2Agente de Ganglia incrustado para aplicaciones del ecosistema de Hadoop junto con el agente de monitorización de Ganglia.
ganglia-metadata-collector3.7.2Recopilador de metadatos de Ganglia para agregación de métricas a partir de los agentes de monitorización de Ganglia.
ganglia-web3.7.1Aplicación web para visualizar las métricas recopiladas por el recopilador de metadatos de Ganglia.
hadoop-client2.7.1-amzn-1Los clientes de línea de comando de Hadoop como, por ejemplo "hdfs", "hadoop" o "yarn".
hadoop-hdfs-datanode2.7.1-amzn-1Servicio de nivel de nodos de HDFS para el almacenamiento de bloques.
hadoop-hdfs-library2.7.1-amzn-1Biblioteca y cliente de línea de comandos HDFS
hadoop-hdfs-namenode2.7.1-amzn-1Servicio de HDFS para realizar un seguimiento de nombres de archivo y bloquear ubicaciones.
hadoop-httpfs-server2.7.1-amzn-1Punto de enlace HTTP para operaciones HDFS.
hadoop-kms-server2.7.1-amzn-1Servidor de administración de claves criptográficas basado en el API KeyProvider de Hadoop.
hadoop-mapred2.7.1-amzn-1Bibliotecas de motor de ejecución de MapReduce para ejecutar una aplicación de MapReduce.
hadoop-yarn-nodemanager2.7.1-amzn-1Servicio de YARN para la administración de contenedores en un nodo individual.
hadoop-yarn-resourcemanager2.7.1-amzn-1Servicio de YARN para la asignación y administración de recursos de clúster y aplicaciones distribuidas.
hcatalog-client1.0.0-amzn-3El cliente de línea de comando "hcat" para manipular hcatalog-server.
hcatalog-server1.0.0-amzn-3Service que proporciona a HCatalog, una tabla y capa de administración de almacenamiento para aplicaciones distribuidas.
hcatalog-webhcat-server1.0.0-amzn-3Punto de enlace HTTP que proporciona una interfaz REST a HCatalog.
hive-client1.0.0-amzn-3Cliente de línea de comando de Hive.
hive-metastore-server1.0.0-amzn-3Service para acceder al metaalmacén de Hive, un repositorio semántico que almacena metadatos para SQL en operaciones de Hadoop.
hive-server1.0.0-amzn-3Servicio para aceptar consultas de Hive como solicitudes web.
hue-server3.7.1-amzn-5Aplicación web para analizar datos con aplicaciones del ecosistema de Hadoop
mahout-client0.11.1Biblioteca para machine learning.
mysql-server5.5Servidor de bases de datos MySQL.
oozie-client4.2.0Cliente de línea de comando de Oozie.
oozie-server4.2.0Servicio para aceptar solicitudes de flujo de trabajo de Oozie.
presto-coordinator0.136Servicio para aceptar las consultas y administrar la ejecución de consultas entre presto-workers.
presto-worker0.136Service para ejecutar partes de una consulta.
pig-client0.14.0-amzn-0Cliente de línea de comando de Pig.
spark-client1.6.0Clientes de línea de comando de Spark.
spark-history-server1.6.0IU web para la visualización de eventos registrados durante la vida útil de una aplicación Spark completada.
spark-on-yarn1.6.0Motor de ejecución en memoria para YARN.
spark-yarn-slave1.6.0Bibliotecas de Apache Spark necesarias para esclavos de YARN.
sqoop-client1.4.6Cliente de línea de comando de Apache Sqoop.
webserver2.4Servidor HTTP de Apache.
zeppelin-server0.5.6-incubatingBloc de notas basado en web que permite el análisis de datos interactivo.

Clasificaciones de configuración de la versión 4.4.0

Las clasificaciones de configuración le permiten personalizar las aplicaciones. Suelen corresponder a un archivo XML de configuración para la aplicación como, por ejemplo, hive-site.xml. Para obtener más información, consulte Configuración de aplicaciones.

Clasificaciones de emr-4.4.0
Clasificaciones Descripción

capacity-scheduler

Cambiar los valores en el archivo capacity-scheduler.xml de Hadoop.

core-site

Cambiar los valores en el archivo core-site.xml de Hadoop.

emrfs-site

Cambiar la configuración de EMRFS.

hadoop-env

Cambiar los valores en el entorno de Hadoop para todos los componentes de Hadoop.

hadoop-log4j

Cambiar los valores en el archivo log4j.properties de Hadoop.

hdfs-encryption-zones

Configurar zonas de cifrado de HDFS.

hdfs-site

Cambiar los valores en hdfs-site.xml de HDFS.

hcatalog-env

Cambiar los valores en el entorno de HCatalog.

hcatalog-server-jndi

Cambiar los valores en jndi.properties de HCatalog.

hcatalog-server-proto-hive-site

Cambiar los valores en proto-hive-site.xml de HCatalog.

hcatalog-webhcat-env

Cambiar los valores en el entorno de HCatalog WebHCat.

hcatalog-webhcat-log4j

Cambiar los valores en log4j.properties de HCatalog WebHCat.

hcatalog-webhcat-site

Cambiar los valores en el archivo webhcat-site.xml de HCatalog WebHCat.

hive-env

Cambiar los valores en el entorno de Hive.

hive-exec-log4j

Cambiar los valores en el archivo hive-exec-log4j.properties de Hive.

hive-log4j

Cambiar los valores en el archivo hive-log4.properties de Hive.

hive-site

Cambiar los valores en el archivo hive-site.xml de Hive.

hue-ini

Cambiar los valores en el archivo ini de Hue

httpfs-env

Cambiar los valores en el entorno de HTTPFS.

httpfs-site

Cambiar los valores en el archivo httpfs-site.xml de Hadoop.

hadoop-kms-acls

Cambiar los valores en el archivo kms-acls.xml de Hadoop.

hadoop-kms-env

Cambiar los valores en el entorno de Hadoop KMS.

hadoop-kms-log4j

Cambiar los valores en el archivo kms-log4j.properties de Hadoop.

hadoop-kms-site

Cambiar los valores en el archivo kms-site.xml de Hadoop.

mapred-env

Cambiar los valores en el entorno de aplicación de MapReduce.

mapred-site

Cambiar los valores en el archivo mapred-site.xml de la aplicación MapReduce.

oozie-env

Cambiar los valores en el entorno de Oozie.

oozie-log4j

Cambiar los valores en el archivo oozie-log4j.properties de Oozie.

oozie-site

Cambiar los valores en el archivo oozie-site.xml de Oozie.

pig-properties

Cambiar los valores en el archivo pig.properties de Pig.

pig-log4j

Cambiar los valores en el archivo log4j.properties de Pig.

presto-log

Cambiar los valores en el archivo log.properties de Presto.

presto-config

Cambiar los valores en el archivo config.properties de Presto.

presto-connector-hive

Cambiar los valores en el archivo hive.properties de Presto.

spark

Configuración de Amazon EMR mantenida para Apache Spark.

spark-defaults

Cambiar los valores en el archivo spark-defaults.conf de Spark.

spark-env

Cambiar los valores en el entorno de Spark.

spark-log4j

Cambiar los valores en el archivo log4j.properties de Spark.

spark-metrics

Cambiar los valores en el archivo metrics.properties de Spark.

sqoop-env

Cambiar los valores en el entorno de Sqoop.

sqoop-oraoop-site

Cambiar los valores en el archivo oraoop-site.xml de Sqoop OraOop.

sqoop-site

Cambiar los valores en el archivo sqoop-site.xml de Sqoop.

yarn-env

Cambiar los valores en el entorno de YARN.

yarn-site

Cambiar los valores en el archivo yarn-site.xml de YARN.

zeppelin-env

Cambiar los valores en el entorno de Zeppelin.