python - 使用 boto 设置 hadoop 参数？

Question

我正在尝试在我的 Amazon Elastic MapReduce 作业中启用错误输入跳过。我遵循这里描述的绝妙食谱:

http://devblog.factual.com/practical-hadoop-streaming-dealing-with-brittle-code

上面的链接说我需要以某种方式在 EMR 作业上设置以下配置参数:

mapred.skip.mode.enabled=true
mapred.skip.map.max.skip.records=1
mapred.skip.attempts.to.start.skipping=2
mapred.map.tasks=1000
mapred.map.max.attempts=10

如何使用 Boto 在 JobFlow 上设置这些(和其他)mapred.XXX 参数？

Answer 1

经过数小时的努力、阅读代码和实验，答案如下:

您需要添加一个新的 BootstrapAction，如下所示:

params = ['-s','mapred.skip.mode.enabled=true',
          '-s', 'mapred.skip.map.max.skip.records=1',
          '-s', 'mapred.skip.attempts.to.start.skipping=2',
          '-s', 'mapred.map.max.attempts=5',
          '-s', 'mapred.task.timeout=100000']
config_bootstrapper = BootstrapAction('Enable skip mode', 's3://elasticmapreduce/bootstrap-actions/configure-hadoop', params)

conn = EmrConnection(AWS_ACCESS_KEY_ID, AWS_SECRET_ACCESS_KEY)
step = StreamingStep(name='My Step', ...)
conn.run_jobflow(..., bootstrap_actions=[config_bootstrapper], steps=[step], ...)

当然，如果您有多个引导操作，您应该将其添加到 bootstrap_actions 数组中。