Amazon EMR, versión 5.30.1

• Versiones de las aplicaciones en las versiones 7.x de Amazon EMR

• Versiones de la aplicación en las versiones 6.x de Amazon EMR

• Versiones de la aplicación en las versiones 5.x de Amazon EMR

• Versiones de la aplicación en las versiones 4.x de Amazon EMR

Cambios, mejoras y problemas resueltos

• Las versiones más recientes de Amazon EMR corrigen el problema al reducir el límite de “Máximo de archivos abiertos” en las versiones anteriores de AL2 en Amazon EMR. Las versiones 5.30.1, 5.30.2, 5.31.1, 5.32.1, 6.0.1, 6.1.1, 6.2.1, 5.33.0, 6.3.0 y posteriores de Amazon EMR ahora incluyen una corrección permanente con una configuración “Máximo de archivos abiertos” más alta.

• Se ha solucionado el problema que provocaba que el proceso del controlador de instancias generaba un número infinito de procesos.

• Se ha solucionado el problema que provocaba que Hue no pudiera ejecutar una consulta de Hive, mostrara el mensaje “database is locked” e impidiera la ejecución de consultas.

• Se ha corregido un problema de Spark que permitía ejecutar más tareas simultáneamente en el clúster de EMR.

• Se ha corregido un error en el cuaderno de Jupyter que provocaba el “too many files open” en el servidor de Jupyter.

• Se ha corregido un problema con las horas de inicio de los clústeres.

Nuevas características

• Las interfaces de aplicación persistentes de la IU de Tez y el servidor YARN Timeline están disponibles con las versiones 6.x de Amazon EMR y la versión 5.30.1 y posteriores de EMR. El acceso mediante un enlace al historial de aplicaciones persistente con un solo clic le permite acceder rápidamente al historial de trabajos sin necesidad de configurar un proxy web a través de una conexión SSH. Los registros de los clústeres activos y terminados están disponibles durante los 30 días posteriores a la finalización de la aplicación. Para más información, consulte Ver interfaces de usuario de aplicaciones persistentes en la Guía de administración de Amazon EMR.

• Las API de ejecución de cuadernos de EMR están disponibles para ejecutar cuadernos de EMR mediante un script o una línea de comandos. La capacidad de iniciar, detener, enumerar y describir las ejecuciones de cuadernos de EMR sin la Consola de AWS le permite controlar mediante programación un cuaderno de EMR. Al utilizar una celda de cuaderno parametrizada, puede pasar diferentes valores de parámetros a un cuaderno sin tener que crear una copia del cuaderno para cada nuevo conjunto de valores de parámetros. Consulte Acciones de la API de EMR. Para ver un código de ejemplo, consulte Ejemplos de comandos para ejecutar Cuadernos de EMR mediante programación.

Problemas conocidos

• Reducir el límite de “Máximo de archivos abiertos” en las versiones de AL2 anteriores [corregido en versiones más recientes]. Las versiones de Amazon EMR emr-5.30.x, emr-5.31.0, emr-5.32.0, emr-6.0.0, emr-6.1.0 y emr-6.2.0 se basan en versiones anteriores de Amazon Linux 2 (AL2), que tienen una configuración de ulimit inferior para “Máximo de archivos abiertos” cuando los clústeres de Amazon EMR se crean con la AMI predeterminada. Las versiones 5.30.1, 5.30.2, 5.31.1, 5.32.1, 6.0.1, 6.1.1, 6.2.1, 5.33.0, 6.3.0 y posteriores de Amazon EMR ahora incluyen una corrección permanente con una configuración más alta de “Máximo de archivos abiertos”. Las versiones con el límite inferior de archivos abiertos provocan el error “Demasiados archivos abiertos” al enviar el trabajo de Spark. En las versiones afectadas, la AMI predeterminada de Amazon EMR tiene una configuración de ulimit predeterminada de 4096 para “Máximo de archivos abiertos”, una cantidad inferior al límite de 65 536 archivos de la AMI de Amazon Linux 2 más reciente. La configuración de ulimit inferior para “Máximo de archivos abiertos” provoca un fallo en el trabajo de Spark cuando el controlador y el ejecutor de Spark intentan abrir más de 4096 archivos. Para solucionar el problema, Amazon EMR tiene un script de acciones de arranque (BA) que ajusta la configuración de ulimit al crear el clúster.

  Si utiliza una versión anterior de Amazon EMR que no tiene una corrección permanente para este problema, la siguiente solución alternativa le permite establecer explícitamente el ulimit del controlador de instancias en un máximo de 65 536 archivos.

  Establecimiento explícito de un ulimit desde la línea de comandos

  1. Edite /etc/systemd/system/instance-controller.service para agregar los siguientes parámetros a la sección de servicio.

     LimitNOFILE=65536

     LimitNPROC=65536

  2. Reiniciar InstanceController

     $ sudo systemctl daemon-reload

     $ sudo systemctl restart instance-controller

  Establecimiento de un ulimit mediante una acción de arranque (BA)

  También puede usar un script de acciones de arranque (BA) para configurar el ulimit del controlador de instancias en 65 536 archivos al crear el clúster.

  #!/bin/bash
  for user in hadoop spark hive; do
  sudo tee /etc/security/limits.d/$user.conf << EOF
  $user - nofile 65536
  $user - nproc 65536
  EOF
  done
  for proc in instancecontroller logpusher; do
  sudo mkdir -p /etc/systemd/system/$proc.service.d/
  sudo tee /etc/systemd/system/$proc.service.d/override.conf << EOF
  [Service]
  LimitNOFILE=65536
  LimitNPROC=65536
  EOF
  pid=$(pgrep -f aws157.$proc.Main)
  sudo prlimit --pid $pid --nofile=65535:65535 --nproc=65535:65535
  done
  sudo systemctl daemon-reload

• EMR Notebooks

  La característica que le permite instalar kernels y bibliotecas de Python adicionales en el nodo principal del clúster está deshabilitada de forma predeterminada en la versión 5.30.1 de EMR. Para más información sobre esta característica, consulte Instalación de kernels y bibliotecas de Python en el nodo principal del clúster.

  Para habilitar la característica, haga lo siguiente:

  1. Asegúrese de que la política de permisos adjunta al rol de servicio de Cuadernos de EMR permita la siguiente acción:

     elasticmapreduce:ListSteps

     Para obtener más información, consulte Rol de servicio para cuadernos de EMR.

  2. Utilice la AWS CLI para ejecutar un paso en el clúster que configura Cuadernos de EMR, como se muestra en el siguiente ejemplo. Sustituya us-east-1 por la región en la que reside el clúster. Para obtener más información, consulte Adición de pasos a un clúster mediante la AWS CLI.

     aws emr add-steps  --cluster-id MyClusterID --steps Type=CUSTOM_JAR,Name=EMRNotebooksSetup,ActionOnFailure=CONTINUE,Jar=s3://us-east-1.elasticmapreduce/libs/script-runner/script-runner.jar,Args=["s3://awssupportdatasvcs.com/bootstrap-actions/EMRNotebooksSetup/emr-notebooks-setup.sh"]
                             

• Escalado administrado

  Las operaciones de escalado administrado en los clústeres 5.30.0 y 5.30.1 sin Presto instalado pueden provocar errores en las aplicaciones o provocar que un grupo de instancias o una flota de instancias uniformes permanezcan en estado ARRESTED, especialmente cuando una operación de reducción vertical va seguida inmediatamente de una operación de escalado vertical.

  Como solución alternativa, elija Presto como aplicación para instalar cuando cree un clúster con las versiones 5.30.0 y 5.30.1 de Amazon EMR, incluso si su trabajo no requiere Presto.

• Problema conocido en clústeres con varios nodos principales y autenticación de Kerberos

  Si ejecuta clústeres con varios nodos principales y autenticación de Kerberos en las versiones 5.20.0 y posteriores de Amazon EMR, es posible que tenga problemas con las operaciones del clúster, como la reducción vertical o el envío escalonado, después de que el clúster se haya estado ejecutando durante algún tiempo. El periodo de tiempo depende del periodo de validez del ticket de Kerberos que se haya definido. El problema de la reducción vertical afecta tanto a las solicitudes de reducción vertical automática como a las solicitudes de reducción vertical explícita que haya enviado. Las operaciones adicionales del clúster también pueden verse afectadas.

  Solución:

  • SSH como usuario de hadoop con el nodo principal líder del clúster de EMR con varios nodos principales.

  • Ejecute el siguiente comando para renovar el ticket de Kerberos para el usuario de hadoop.

    kinit -kt <keytab_file> <principal>

    Normalmente, el archivo keytab se encuentra en /etc/hadoop.keytab y la entidad principal tiene la forma de hadoop/<hostname>@<REALM>.

  nota

  Esta solución alternativa estará en vigor durante el periodo de validez del ticket de Kerberos. Esta duración es de 10 horas de forma predeterminada, pero se puede configurar con los ajustes de Kerberos. Debe volver a ejecutar el comando anterior una vez que venza el ticket de Kerberos.

• Cuando utiliza Spark con el formato de ubicación de particiones de Hive para leer datos en Amazon S3 y ejecuta Spark en las versiones 5.30.0 a 5.36.0 y 6.2.0 a 6.9.0 de Amazon EMR, es posible que se produzca un problema que impida que el clúster lea los datos correctamente. Esto puede ocurrir si las particiones tienen todas las características siguientes:

  • Se analizan dos o más particiones de la misma tabla.

  • Al menos una ruta de directorio de particiones es un prefijo de al menos otra ruta de directorio de particiones; por ejemplo, s3://bucket/table/p=a es un prefijo de s3://bucket/table/p=a b.

  • El primer carácter que sigue al prefijo del otro directorio de particiones tiene un valor UTF-8 inferior al carácter / (U+002F). Por ejemplo, el carácter de espacio (U+0020) que aparece entre a y b en s3://bucket/table/p=a b entra en esta categoría. Tenga en cuenta que hay otros 14 caracteres que no son de control: !"#$%&‘()*+,-. Para más información, consulte UTF-8 encoding table and Unicode characters.

  Como solución alternativa a este problema, defina la configuración spark.sql.sources.fastS3PartitionDiscovery.enabled como false en la clasificación spark-defaults.