java - 使用自定义文件配置 EMR 节点

Question

我正在尝试在 AWS EMR Hadoop 集群上运行具有 Apache Nutch 依赖项的 jar。问题是 Nutch 找不到插件类(我使用 -Dplugin.folders 指定插件位置)。我在本地测试了这个选项，它工作正常:java -cp app.jar -Dplugin.folders=./nutch-plugins。

我收到这个错误:

19/07/24 15:42:26 INFO mapreduce.Job: Task Id : attempt_1563980669003_0005_m_000000_2, Status : FAILED
Error: java.lang.RuntimeException: x point org.apache.nutch.net.URLNormalizer not found.
        at org.apache.nutch.net.URLNormalizers.<init>(URLNormalizers.java:146)
        at org.apache.nutch.crawl.Injector$InjectMapper.setup(Injector.java:139)
        at org.apache.hadoop.mapreduce.Mapper.run(Mapper.java:143)
        at org.apache.hadoop.mapred.MapTask.runNewMapper(MapTask.java:796)
        at org.apache.hadoop.mapred.MapTask.run(MapTask.java:342)
        at org.apache.hadoop.mapred.YarnChild$2.run(YarnChild.java:164)
        at java.security.AccessController.doPrivileged(Native Method)
        at javax.security.auth.Subject.doAs(Subject.java:422)
        at org.apache.hadoop.security.UserGroupInformation.doAs(UserGroupInformation.java:1698)
        at org.apache.hadoop.mapred.YarnChild.main(YarnChild.java:158)

我试图将插件复制到 /tmp 文件夹(只是猜测它是一个共享文件夹)- 没有帮助:

hadoop jar app.jar -Dplugin.folders=/tmp/nutch-plugins

然后我尝试将它复制到 HDFS - 没有帮助:

hadoop fs -cp file:///tmp/nutch-plugins hdfs:///tmp/
hadoop jar app.jar -Dplugin.folders=hdfs:///tmp/nutch-plugins

并尝试将其上传到 S3 存储桶 - 没有帮助:

hadoop fs -cp file:///tmp/nutch-plugins s3a:///mybucket/
hadoop jar app.jar -Dplugin.folders=s3a:///mybucket/nutch-plugins

如何使用 Nutch 插件配置 Hadoop 节点？我所需要做的就是将插件文件复制到某个地方，以便从集群中的任何节点访问它。

Answer 1

在分布式模式下(在 Hadoop 集群中)，插件包含在作业文件 (runtime/deploy/apache-nutch-1.x.job) 中:

1. 从源码包或从git克隆的Nutch源码开始
2. 修改conf/中的配置- 注意:配置文件也包含在作业文件中
3. 构建 Nutch ( ant runtime )
4. 运行runtime/deploy/bin/nutch或 runtime/deploy/bin/crawl : hadoop jar <jobfile>被调用以启动 Nutch 作业，因此可执行文件 hadoop必须在 PATH 上。