Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà. # Configurazione delle applicazioni per l'uso di una macchina virtuale Java specifica Le versioni di Amazon EMR hanno versioni predefinite diverse di Java Virtual Machine (JVM). Questa pagina illustra il supporto JVM per diverse versioni e applicazioni. ## Considerazioni Per informazioni sulle versioni Java supportate per le applicazioni, consulta le pagine delle applicazioni nella [Guida alla versione di Amazon EMR](emr-release-components.md). + Amazon EMR supporta solo l'esecuzione di una versione di runtime in un cluster e non supporta l'esecuzione di nodi o applicazioni diversi su versioni di runtime diverse sullo stesso cluster. + Per Amazon EMR 7.x, la Java Virtual Machine (JVM) predefinita è Java 17 per le applicazioni che lo supportano, ad eccezione di Apache Livy. Per informazioni sulle versioni JDK supportate per le applicazioni, consulta la pagina delle versioni corrispondente nella Guida alla versione di Amazon EMR. + A partire da Amazon EMR 7.1.0, Flink supporta ed è impostato su Java 17 per impostazione predefinita. Per utilizzare una versione diversa del runtime Java, sovrascrivi le impostazioni in. `flink-conf` Per ulteriori informazioni sulla configurazione di Flink per l'utilizzo di Java 8 o Java 11, consulta [Configurare Flink per l'esecuzione](https://docs.aws.amazon.com/emr/latest/ReleaseGuide/flink-configure.html#flink-configure-java11) con Java 11. + Per le versioni 5.x e 6.x di Amazon EMR, la Java Virtual Machine (JVM) predefinita è Java 8. + Per le versioni 6.12.0 e successive di Amazon EMR, alcune applicazioni supportano anche Java 11 e 17. + Per le versioni 6.9.0 e successive di Amazon EMR, Trino supporta Java 17 per impostazione predefinita. Per ulteriori informazioni su Java 17 con Trino, consulta [Aggiornamenti di Trino a Java 17](https://trino.io/blog/2022/07/14/trino-updates-to-java-17.html) sul blog di Trino. Ricorda le seguenti considerazioni specifiche dell'applicazione quando scegli la versione di runtime: **Note sulla configurazione Java per applicazioni specifiche** | Applicazione | Note sulla configurazione Java | | --- | --- | | Spark | Per eseguire Spark con una versione Java non predefinita, devi configurare sia Spark che Hadoop. Per alcuni esempi, consulta [Sovrascrittura della JVM](#configuring-java8-override). [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/emr/latest/ReleaseGuide/configuring-java8.html) | | Spark RAPIDS | Puoi eseguire RAPIDS con la versione Java configurata per Spark. | | Iceberg | Puoi eseguire Iceberg con la versione Java configurata dell'applicazione che lo utilizza. | | Delta | Puoi eseguire Delta con la versione Java configurata dell'applicazione che lo utilizza. | | Hudi | Puoi eseguire Hudi con la versione Java configurata dell'applicazione che lo utilizza. | | Hadoop | Per aggiornare la JVM per Hadoop, modifica `hadoop-env`. Per alcuni esempi, consulta [Sovrascrittura della JVM](#configuring-java8-override). | | Hive | Per impostare la versione Java su 11 o 17 per Hive, configura l'impostazione JVM di Hadoop sulla versione Java che desideri utilizzare. | | HBase | Per aggiornare la JVM per, modifica. HBase `hbase-env` Per impostazione predefinita, Amazon EMR imposta la HBase JVM in base alla configurazione JVM per Hadoop, a meno che non si sovrascrivano le impostazioni in. `hbase-env` Per alcuni esempi, consulta [Sovrascrittura della JVM](#configuring-java8-override). | | Flink | Per aggiornare la JVM per Flink, modifica `flink-conf`. Per impostazione predefinita, Amazon EMR imposta la JVM di Flink in base alla configurazione JVM per Hadoop, a meno che le impostazioni non vengano sostituite in `flink-conf`. Per ulteriori informazioni, consulta [Configurazione di Flink per l'esecuzione con Java 11](flink-configure.md#flink-configure-java11). | | Oozie | Per configurare Oozie per l'esecuzione su Java 11 o 17, configura Oozie Server, Oozie LauncherAM Launcher AM e modifica le configurazioni degli eseguibili e dei processi sul lato client. Puoi anche configurare `EmbeddedOozieServer` per l'esecuzione su Java 17. Per ulteriori informazioni, consulta [Configurazione della versione Java per Oozie](oozie-java.md). | | Pig | Pig supporta solo Java 8. Non puoi usare Java 11 o 17 con Hadoop ed eseguire Pig sullo stesso cluster. | ## Sovrascrittura della JVM Per sostituire l'impostazione JVM per un rilascio di Amazon EMR, ad esempio per utilizzare Java 17 con un cluster che utilizza il rilascio 6.12.0 di Amazon EMR, fornisci l'impostazione `JAVA_HOME` alla relativa classificazione dell'ambiente, che è `application-env` per tutte le applicazioni eccetto Flink. Per Flink, la classificazione dell'ambiente è `flink-conf`. Per i passaggi per configurare il runtime Java con Flink, consulta [Configurazione di Flink per l'esecuzione con Java 11](flink-configure.md#flink-configure-java11). **Topics** + [Sostituisci l'impostazione JVM con Apache Spark](#configuring-java8-override-spark) + [Sostituisci l'impostazione JVM con Apache HBase](#configuring-java8-override-hbase) + [Sostituzione dell'impostazione JVM con Apache Hadoop e Hive](#configuring-java8-override-hadoop) ### Sostituisci l'impostazione JVM con Apache Spark Quando usi Spark con le versioni 6.12 e successive di Amazon EMR, puoi impostare l'ambiente in modo che gli esecutori utilizzino Java 11 o 17. E quando utilizzi Spark con rilasci di Amazon EMR precedenti a 5.x e scrivi un driver per l'invio in modalità cluster, il driver utilizza Java 7. Tuttavia, puoi impostare l'ambiente per garantire che gli esecutori utilizzino Java 8. Per sovrascrivere la JVM per Spark, imposta l'impostazione di classificazione Spark. In questo esempio, la versione Java per Hadoop è la stessa, ma non è richiesta. ``` [ { "Classification": "hadoop-env", "Configurations": [ { "Classification": "export", "Configurations": [], "Properties": { "JAVA_HOME": "/usr/lib/jvm/java-1.8.0" } } ], "Properties": {} }, { "Classification": "spark-env", "Configurations": [ { "Classification": "export", "Configurations": [], "Properties": { "JAVA_HOME": "/usr/lib/jvm/java-1.8.0" } } ], "Properties": {} } ] ``` Tieni presente che è una best practice consigliata per Hadoop su Amazon EMR che la versione JVM sia coerente tra tutti i componenti Hadoop. L'esempio seguente mostra come aggiungere i parametri di configurazione richiesti per EMR 7.0.0\$1 per garantire un utilizzo coerente della versione Java su tutti i componenti. ``` [ { "Classification": "spark-defaults", "Properties": { "spark.executorEnv.JAVA_HOME": "/usr/lib/jvm/java-1.8.0", "spark.yarn.appMasterEnv.JAVA_HOME": "/usr/lib/jvm/java-1.8.0" } }, { "Classification": "hadoop-env", "Configurations": [ { "Classification": "export", "Configurations": [], "Properties": { "JAVA_HOME": "/usr/lib/jvm/java-1.8.0" } } ], "Properties": {} }, { "Classification": "spark-env", "Configurations": [ { "Classification": "export", "Configurations": [], "Properties": { "JAVA_HOME": "/usr/lib/jvm/java-1.8.0" } } ], "Properties": {} } ] ``` ### Sostituisci l'impostazione JVM con Apache HBase HBase Per configurare l'utilizzo di Java 11, è possibile impostare la seguente configurazione all'avvio del cluster. ``` [ { "Classification": "hbase-env", "Properties": {}, "Configurations": [ { "Classification": "export", "Properties": { "JAVA_HOME": "/usr/lib/jvm/jre-11", "HBASE_OPTS": "-XX:+UseConcMarkSweepGC -XX:CMSInitiatingOccupancyFraction=70 -Dsun.net.inetaddr.ttl=5" }, "Configurations": [] } ] } ] ``` ### Sostituzione dell'impostazione JVM con Apache Hadoop e Hive L'esempio seguente mostra come impostare la JVM sulla versione 17 per Hadoop e Hive. ``` [ { "Classification": "hadoop-env", "Configurations": [ { "Classification": "export", "Configurations": [], "Properties": { "JAVA_HOME": "/usr/lib/jvm/jre-17" } } ], "Properties": {} } ] ``` ## Porte di servizio Di seguito sono elencate le porte di servizio YARN e HDFS. Queste impostazioni riflettono i valori predefiniti di Hadoop. Gli altri servizi applicativi sono ospitati su porte predefinite, a meno che non sia diversamente documentato. Per ulteriori informazioni, consulta la documentazione di progetto dell'applicazione. **Impostazioni porta per YARN e HDFS** | Impostazione | Nome host/Porta | | --- | --- | | `fs.default.name` | predefinito (`hdfs://emrDeterminedIP:8020`) | | `dfs.datanode.address` | impostazione predefinita (`0.0.0.0:50010`) | | `dfs.datanode.http.address` | impostazione predefinita (`0.0.0.0:50075`) | | `dfs.datanode.https.address` | impostazione predefinita (`0.0.0.0:50475`) | | `dfs.datanode.ipc.address` | impostazione predefinita (`0.0.0.0:50020`) | | `dfs.http.address` | impostazione predefinita (`0.0.0.0:50070`) | | `dfs.https.address` | impostazione predefinita (`0.0.0.0:50470`) | | `dfs.secondary.http.address` | impostazione predefinita (`0.0.0.0:50090`) | | `yarn.nodemanager.address` | impostazione predefinita (`${yarn.nodemanager.hostname}:0`) | | `yarn.nodemanager.localizer.address` | impostazione predefinita (`${yarn.nodemanager.hostname}:8040`) | | `yarn.nodemanager.webapp.address` | impostazione predefinita (`${yarn.nodemanager.hostname}:8042`) | | `yarn.resourcemanager.address` | impostazione predefinita (`${yarn.resourcemanager.hostname}:8032`) | | `yarn.resourcemanager.admin.address` | impostazione predefinita (`${yarn.resourcemanager.hostname}:8033`) | | `yarn.resourcemanager.resource-tracker.address` | impostazione predefinita (`${yarn.resourcemanager.hostname}:8031`) | | `yarn.resourcemanager.scheduler.address` | impostazione predefinita (`${yarn.resourcemanager.hostname}:8030`) | | `yarn.resourcemanager.webapp.address` | impostazione predefinita (`${yarn.resourcemanager.hostname}:8088`) | | `yarn.web-proxy.address` | impostazione predefinita (`no-value`) | | `yarn.resourcemanager.hostname` | `emrDeterminedIP` | **Nota** Il termine *emrDeterminedIP* è un indirizzo IP generato dal piano di controllo di Amazon EMR. Nella versione più recente, questa convenzione è stata rimossa, eccetto che per le impostazioni `yarn.resourcemanager.hostname` e `fs.default.name`. ## Utenti delle applicazioni Le applicazioni eseguono i processi come proprio utente. Ad esempio, Hive JVMs esegui come utente`hive`, MapReduce JVMs esegui come `mapred` e così via. Questa procedura è illustrata nell'esempio di stato del processo seguente: ``` USER PID %CPU %MEM VSZ RSS TTY STAT START TIME COMMAND hive 6452 0.2 0.7 853684 218520 ? Sl 16:32 0:13 /usr/lib/jvm/java-openjdk/bin/java -Xmx256m -Dhive.log.dir=/var/log/hive -Dhive.log.file=hive-metastore.log -Dhive.log.threshold=INFO -Dhadoop.log.dir=/usr/lib/hadoop hive 6557 0.2 0.6 849508 202396 ? Sl 16:32 0:09 /usr/lib/jvm/java-openjdk/bin/java -Xmx256m -Dhive.log.dir=/var/log/hive -Dhive.log.file=hive-server2.log -Dhive.log.threshold=INFO -Dhadoop.log.dir=/usr/lib/hadoop/l hbase 6716 0.1 1.0 1755516 336600 ? Sl Jun21 2:20 /usr/lib/jvm/java-openjdk/bin/java -Dproc_master -XX:OnOutOfMemoryError=kill -9 %p -Xmx1024m -ea -XX:+UseConcMarkSweepGC -XX:+CMSIncrementalMode -Dhbase.log.dir=/var/ hbase 6871 0.0 0.7 1672196 237648 ? Sl Jun21 0:46 /usr/lib/jvm/java-openjdk/bin/java -Dproc_thrift -XX:OnOutOfMemoryError=kill -9 %p -Xmx1024m -ea -XX:+UseConcMarkSweepGC -XX:+CMSIncrementalMode -Dhbase.log.dir=/var/ hdfs 7491 0.4 1.0 1719476 309820 ? Sl 16:32 0:22 /usr/lib/jvm/java-openjdk/bin/java -Dproc_namenode -Xmx1000m -Dhadoop.log.dir=/var/log/hadoop-hdfs -Dhadoop.log.file=hadoop-hdfs-namenode-ip-10-71-203-213.log -Dhadoo yarn 8524 0.1 0.6 1626164 211300 ? Sl 16:33 0:05 /usr/lib/jvm/java-openjdk/bin/java -Dproc_proxyserver -Xmx1000m -Dhadoop.log.dir=/var/log/hadoop-yarn -Dyarn.log.dir=/var/log/hadoop-yarn -Dhadoop.log.file=yarn-yarn- yarn 8646 1.0 1.2 1876916 385308 ? Sl 16:33 0:46 /usr/lib/jvm/java-openjdk/bin/java -Dproc_resourcemanager -Xmx1000m -Dhadoop.log.dir=/var/log/hadoop-yarn -Dyarn.log.dir=/var/log/hadoop-yarn -Dhadoop.log.file=yarn-y mapred 9265 0.2 0.8 1666628 260484 ? Sl 16:33 0:12 /usr/lib/jvm/java-openjdk/bin/java -Dproc_historyserver -Xmx1000m -Dhadoop.log.dir=/usr/lib/hadoop/logs -Dhadoop.log.file=hadoop.log -Dhadoop.home.dir=/usr/lib/hadoop ```