mrjob：在 EMR 上设置日志记录

Question

我正在尝试使用 mrjob 在 EMR 上运行 hadoop，但不知道如何设置日志记录（用户在 map/reduce 步骤中生成的日志），因此我将能够在集群终止后访问它们。

我曾尝试使用logging 模块、print 和sys.stderr.write() 设置日志记录，但到目前为止没有运气。对我有用的唯一选择是将日志写入文件，然后通过 SSH 连接机器并读取它，但这很麻烦。我希望将我的日志转到 stderr/stdout/syslog 并自动收集到 S3，以便在集群终止后查看它们。

这里是带有日志记录的 word_freq 示例：

"""The classic MapReduce job: count the frequency of words.
"""
from mrjob.job import MRJob
import re
import logging
import logging.handlers
import sys

WORD_RE = re.compile(r"[\w']+")


class MRWordFreqCount(MRJob):

    def mapper_init(self):
        self.logger = logging.getLogger()
        self.logger.setLevel(logging.INFO)
        self.logger.addHandler(logging.FileHandler("/tmp/mr.log"))
        self.logger.addHandler(logging.StreamHandler())
        self.logger.addHandler(logging.StreamHandler(sys.stdout))
        self.logger.addHandler(logging.handlers.SysLogHandler())

    def mapper(self, _, line):
        self.logger.info("Test logging: %s", line)
        sys.stderr.write("Test stderr: %s\n" % line)
        print "Test print: %s" % line
        for word in WORD_RE.findall(line):
            yield (word.lower(), 1)

    def combiner(self, word, counts):
        yield (word, sum(counts))

    def reducer(self, word, counts):
        yield (word, sum(counts))


if __name__ == '__main__':
    MRWordFreqCount.run()

Answer 1

这是一个登录 stdout (python3) 的示例

from mrjob.job import MRJob
from mrjob.job import MRStep
from mrjob.util import log_to_stream, log_to_null
import re
import sys
import logging

log = logging.getLogger(__name__)

WORD_RE = re.compile(r'[\w]+')

class MostUsedWords(MRJob):

    def set_up_logging(cls, quiet=False, verbose=False, stream=None):  
        log_to_stream(name='mrjob', debug=verbose, stream=stream)
        log_to_stream(name='__main__', debug=verbose, stream=stream)

    def steps(self):
        return [
            MRStep (mapper = self.mapper_get_words,
                    combiner = self.combiner_get_words,
                    reducer = self.reduce_get_words),
            MRStep (reducer = self.reducer_find_max)
        ]
        pass
    def mapper_get_words(self,  _, line):
        for word in WORD_RE.findall(line):
            yield (word.lower(), 1)

    def combiner_get_words(self, word, counts):
        yield (word, sum(counts))

    def reduce_get_words(self, word, counts):
        log.info(word + "\t" +str(list(counts)) )
        yield None, (sum(counts), word)

    def reducer_find_max(self, key, value):
        # value is pairs i.e., tuples
        yield max(value)


if __name__ == '__main__':
    MostUsedWords.run()

Answer 2

在所有选项中，唯一真正有效的是使用带有直接写入 (sys.stderr.write) 的 stderr 或使用带有 StreamHandler 的记录器到 stderr。

稍后可以在作业完成（成功或出错）后从以下位置检索日志：

[s3_log_uri]/[jobflow-id]/task-attempts/[job-id]/[attempt-id]/stderr

请务必将日志保存在您的 runners.emr.cleanup 配置中。