时间戳

首页 > 解决方案 > 使用自定义文件配置 EMR 节点

java - 使用自定义文件配置 EMR 节点

问题描述

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

我收到此错误：

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

然后我尝试将其复制到 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？我所需要的只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。

标签： javahadoopamazon-emrnutch

解决方案

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. 从源包或从 git 克隆的 Nutch 源代码开始
  2. 调整配置conf/- 注意：配置文件也包含在作业文件中
  3. 构建 Nutch ( ant runtime)
  4. 调用runruntime/deploy/bin/nutch或runtime/deploy/bin/crawl:hadoop jar <jobfile>来启动 Nutch 作业，因此可执行文件hadoop必须在 PATH 上。

推荐阅读