View a markdown version of this page

S3DistCp (s3-dist-cp) - Amazon EMR
S3DistCp 选项在集群中添加 S3DistCp 为步骤

本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

S3DistCp (s3-dist-cp)

Apache DistCp 是一个开源工具，你可以用来复制大量数据。S3DistCp与 DistCp，尤其是 Amazon S3 类似，但经过了优化 AWS，可与之配合使用。Amazon EMR 版本 4.0 及更高版本 S3DistCp 中的命令是s3-dist-cp，您可以将其作为步骤添加到集群中或在命令行中。使用 S3DistCp，您可以高效地将大量数据从 Amazon S3 复制到 HDFS 中，然后在 Amazon EMR 集群中通过后续步骤进行处理。您还可以使用 S3DistCp 在 Amazon S3 存储桶之间或从 HDFS 复制数据到亚马逊 S3。 S3DistCp 对于跨存储段和跨 AWS 账户并行复制大量对象，其可扩展性和效率更高。

有关演示 S3DistCp 在现实场景中的灵活性的特定命令，请参阅 AWS 大数据博客 S3DistCp上的七个使用技巧。

例如 DistCp， S3DistCp 用于 MapReduce 以分布式方式进行复制。它在几个服务器之间共享复制、错误处理、恢复和报告任务。有关 Apache DistCp 开源项目的更多信息，请参阅 Apache Hadoop 文档中的DistCp指南。

S3DistCp 如果无法复制部分或全部指定文件，则群集步骤将失败并返回非零错误代码。如果发生这种情况，则 S3DistCp 不会清理部分复制的文件。

重要

S3DistCp 不支持包含下划线字符的 Amazon S3 存储桶名称。

S3DistCp 不支持 Parquet 文件的串联。 PySpark 改用。有关更多信息，请参阅在 Amazon EMR 中串连 parquet 文件。

为避免在使用 S3DistCP 将单个文件（而不是目录）从 S3 复制到 HDFS 时出现复制错误，请使用 Amazon EMR 版本 5.33.0 或更高版本或 Amazon EMR 6.3.0 或更高版本。

S3DistCp 选项

虽然与类似 DistCp，但 S3DistCp 支持一组不同的选项来更改其复制和压缩数据的方式。

当您致电时 S3DistCp，您可以指定下表中描述的选项。选项是用参数列表添加到步骤的。下表显示了 S3DistCp 参数的示例。

选项 描述 必填
--src=LOCATION

待复制数据的位置。可以是 HDFS 或 Amazon S3 位置。

示例：--src=s3://amzn-s3-demo-bucket/logs/j-3GYXXXXXX9IOJ/node

重要

S3DistCp 不支持包含下划线字符的 Amazon S3 存储桶名称。

 是
--dest=LOCATION

数据的目标位置。可以是 HDFS 或 Amazon S3 位置。

示例：--dest=hdfs:///output

重要

S3DistCp 不支持包含下划线字符的 Amazon S3 存储桶名称。

 是
--srcPattern=PATTERN

该正则表达式会筛选 --src 的部分数据的复制操作。如果指定的既不是 --srcPattern 也不是 --groupBy，那么会将 --src 的所有数据复制到 --dest。

如果正则表达式参数包含特殊字符，如星号（*），那么必须将正则表达式或整个 --args 字符串括在单引号（'）中。

示例：--srcPattern=.*daemons.*-hadoop-.*

 否
--groupBy=PATTERN

一种正则表达式， S3DistCp 用于连接与该表达式匹配的文件。例如，您可以使用此选项把一个小时内写入的所有日志文件组合成为单个文件。已连接文件的文件名是与该分组的正则表达式相匹配的值。

圆括号表明文件应使用的分组方式，与圆括号内的语句匹配的所有项目都组合成单个输出文件。如果正则表达式不包含带括号的语句，则集群将在该 S3DistCp 步骤上失败并返回错误。

如果正则表达式参数包含特殊字符，如星号（*），那么必须将正则表达式或整个 --args 字符串括在单引号（'）中。

如果指定 --groupBy，则仅复制与指定的模式匹配的文件。您不需要同时指定 --groupBy 和 --srcPattern。

示例：--groupBy=.*subnetid.*([0-9]+-[0-9]+-[0-9]+-[0-9]+).*

 否
--targetSize=SIZE

要根据 --groupBy 选项创建的文件的大小，以兆字节 (MiB) 为单位。此值必须是整数。设置后--targetSize，会 S3DistCp 尝试匹配此大小；复制文件的实际大小可能大于或小于此值。基于数据文件大小聚合任务，因此目标文件大小将可能匹配源数据文件大小。

如果由 --groupBy 连接的文件大于 --targetSize 的值，则将这些文件分解成部分文件，并在末尾附加一个数值按顺序命名。例如，连接组成 myfile.gz 的一个文件将被分解成部分文件，如：myfile0.gz、myfile1.gz 等。

示例：--targetSize=2

 否
--appendToLastFile

指定将文件从 Amazon S3 复制到已存在的 HDFS S3DistCp 时的行为。它向现有文件附加新文件数据。如果将 --appendToLastFile 与 --groupBy 结合使用，则将新数据附加到与相同的组匹配的文件。与 --targetSize 结合使用时，此选项也具有 --groupBy. 行为

 否
--outputCodec=CODEC

指定用于所复制文件的压缩编解码器。取值可以是：gzip、gz、lzo、snappy 或 none。您可以使用此选项，例如，把 Gzip 压缩的输入文件转换为 LZO 压缩的输出文件，或对文件进行解压缩，作为复制操作的一部分。如果选择输出编解码器，则系统会在文件名末尾追加适当的扩展名 (例如，对于 gz 和 gzip，将追加扩展名 .gz)。如果不为 --outputCodec 指定值，则复制的文件不会出现压缩方面的变化。

示例：--outputCodec=lzo

 否
--s3ServerSideEncryption

确保使用 SSL 传输目标数据，并使用 AWS 服务端密钥在 Amazon S3 中自动加密。使用检索数据时 S3DistCp，对象会自动解密。如果尝试将未加密的对象复制到需要加密的 Amazon S3 存储桶，则操作将失败。有关更多信息，请参阅使用数据加密。

示例：--s3ServerSideEncryption

 否
--deleteOnSuccess

如果复制操作成功，则此选项 S3DistCp 将导致从源位置删除复制的文件。如果您以计划任务的形式将输出文件 (如日志文件) 从一个位置复制到另一个位置，又不想复制两次相同的文件，那么这个选项会非常有用。

示例：--deleteOnSuccess

 否
--disableMultipartUpload

禁用分段上载。

示例：--disableMultipartUpload

 否
--multipartUploadChunkSize=SIZE

Amazon S3 分段上传中每个分段的大小，以 MiB 为单位。 S3DistCp 当它复制的数据大于... 时使用分段上传。multipartUploadChunkSize要提高作业性能，可以增加每个分段的大小。默认大小为 128 MiB。

示例：--multipartUploadChunkSize=1000

 否
--numberFiles

在输出文件之前加上序号。计数从 0 开始，除非 --startingIndex 指定一个不同的值。

示例：--numberFiles

 否
--startingIndex=INDEX

使用 --numberFiles 指定序列中的第一个数字。

示例：--startingIndex=1

 否
--outputManifest=FILENAME

创建用 Gzip 压缩的文本文件，其中包含复制的所有文件的列表。 S3DistCp

示例：--outputManifest=manifest-1.gz

 否
--previousManifest=PATH

读取在上一次调用 S3DistCp 使用该--outputManifest标志时创建的清单文件。设置该--previousManifest标志后，将清单中列出的文件从复制操作中 S3DistCp 排除。如果同时指定 --outputManifest 和 --previousManifest，则之前清单中列出的文件也会出现在新的清单文件中，但不会复制这些文件。

示例：--previousManifest=/usr/bin/manifest-1.gz

 否
--requirePreviousManifest

需要先前在调用时创建的清单 S3DistCp。如果将它设置为 false，则不指定之前的清单也不会生成错误。默认值为 true。

 否
--copyFromManifest

逆转导致使用指定的清单文件作为 S3DistCp 要复制的文件列表，而不是要排除在复制范围之外的文件列表的行为。--previousManifest

示例：--copyFromManifest --previousManifest=/usr/bin/manifest-1.gz

 否
--s3Endpoint=ENDPOINT

指定上载文件时要使用的 Amazon S3 终端节点。此选项会同时设置源位置和目标位置的终端节点。如果未设置，则默认终端节点是 s3.amazonaws.com。有关 Amazon S3 终端节点的列表，请参阅区域和终端节点。

示例：--s3Endpoint=s3.eu-west-1.amazonaws.com

 否
--storageClass=CLASS

目标为 Amazon S3 时要使用的存储类。有效值是 STANDARD 和 REDUCED_REDUNDANCY。如果未指定此选项，则 S3DistCp 尝试保留存储类别。

示例：--storageClass=STANDARD

 否
--srcPrefixesFile=PATH

Amazon S3（s3://）、HDFS（hdfs:///）或本地文件系统（file:/）中包含 src 前缀的文本文件（每行一个前缀）。

如果提供，srcPrefixesFile则 S3DistCp 不会列出 src 路径。相反，它将生成一个源列表，以作为列出在此文件中指定的所有前缀的组合结果。与 src 相比较的相对路径 (而不是这些前缀) 将用于生成目标路径。如果还指定了 srcPattern，则会将它应用于源前缀的组合列表结果以进一步筛选输入。如果使用了 copyFromManifest，则会复制清单中的对象并忽略 srcPrefixesFile。

示例：--srcPrefixesFile=PATH

 否

除了上述选项外，还 S3DistCp 实现了工具接口，这意味着它支持通用选项。

在集群中添加 S3DistCp 为步骤

您可以 S3DistCp 通过将其作为步骤添加到集群中来调用。可以使用控制台、CLI 或 API 在启动时向集群或是向正在运行的集群添加步骤。以下示例演示向正在运行的集群添加 S3DistCp 步骤。有关向集群添加步骤的更多信息，请参阅《Amazon EMR 管理指南》中的向集群提交工作。

要向正在运行的集群添加 S3DistCp 步骤，请使用 AWS CLI

有关使用 Amazon EMR 命令的更多信息 AWS CLI，请参阅AWS CLI 命令参考。

  • 要向集群添加调用的步骤 S3DistCp，请将指定如何 S3DistCp 执行复制操作的参数作为参数传递。

    以下示例将守护进程日志从 Amazon S3 复制到 hdfs:///output。在以下命令中：

    • --cluster-id 指定集群

    • Jar是 S3DistCp JAR 文件的位置。如需有关如何使用 command-runner.jar 在群集上运行命令的示例，请参阅提交自定义 JAR 步骤以运行脚本或命令。

    • Args是要传递给的选项名称-值对的逗号分隔列表。 S3DistCp有关可用选项的完整列表，请参阅S3DistCp 选项。

    要向正在运行的集群添加 S3DistCp 复制步骤，请将以下内容放入 Amazon S3 或本地文件系统中保存的 JSON 文件中，如myStep.json本示例所示。j-3GYXXXXXX9IOK替换为您的集群 ID，amzn-s3-demo-bucket替换为您的 Amazon S3 存储桶名称。

    [
    {
        "Name":"S3DistCp step",
        "Args":["s3-dist-cp","--s3Endpoint=s3.amazonaws.com","--src=s3://amzn-s3-demo-bucket/logs/j-3GYXXXXXX9IOJ/node/","--dest=hdfs:///output","--srcPattern=.*[a-zA-Z,]+"],
        "ActionOnFailure":"CONTINUE",
        "Type":"CUSTOM_JAR",
        "Jar":"command-runner.jar"        
    }
]
    aws emr add-steps --cluster-id j-3GYXXXXXX9IOK --steps file://./myStep.json
例从 Amazon S3 向 HDFS 复制日志文件

此示例还说明如何通过向正在运行的集群添加步骤来将 Amazon S3 存储桶中存储的日志文件复制到 HDFS 中。在此示例中，--srcPattern 选项用于限制复制到守护程序日志的数据。

要使用 --srcPattern 选项将日志文件从 Amazon S3 复制到 HDFS，请在某个 JSON 文件（本例中为 myStep.json）中输入以下内容并保存到 Amazon S3 或本地文件系统中。j-3GYXXXXXX9IOK替换为您的集群 ID，amzn-s3-demo-bucket替换为您的 Amazon S3 存储桶名称。

[
    {
        "Name":"S3DistCp step",
        "Args":["s3-dist-cp","--s3Endpoint=s3.amazonaws.com","--src=s3://amzn-s3-demo-bucket/logs/j-3GYXXXXXX9IOJ/node/","--dest=hdfs:///output","--srcPattern=.*daemons.*-hadoop-.*"],
        "ActionOnFailure":"CONTINUE",
        "Type":"CUSTOM_JAR",
        "Jar":"command-runner.jar"        
    }
]