在 EMR 上运行 python spark答案

【问题标题】：Running python spark on EMR在 EMR 上运行 python spark
【发布时间】：2016-09-20 17:33:01
【问题描述】：

我们很难在 EMR 上运行 python spark 作业。

aws emr add-steps --cluster-id j-XXXXXXXX --steps \
Type=CUSTOM_JAR,Name="Spark Program",\
Jar="command-runner.jar",ActionOnFailure=CONTINUE,\ 
Args=["spark-submit",--deploy-mode,cluster,--master,yarn,s3://XXXXXXX/pi.py,2]

我们正在运行相同的pyspark compute pi script as the AWS page suggests

此脚本运行，但它会一直运行以计算 pi。在本地机器上需要几秒钟才能完成。我们也尝试过客户端模式。在客户端模式下，它使我们在本地传输文件。

16/09/20 15:20:32 INFO Client: 
     client token: N/A
     diagnostics: N/A
     ApplicationMaster host: N/A
     ApplicationMaster RPC port: -1
     queue: default
     start time: 1474384831795
     final status: UNDEFINED
     tracking URL: http://XXXXXXX.ec2.internal:20888/proxy/application_1474381572045_0002/
     user: hadoop
16/09/20 15:20:33 INFO Client: Application report for application_1474381572045_0002 (state: ACCEPTED)
Repeats this last command over and over...

有谁知道如何在 EMR 上运行 example python spark pi 脚本而不使其永远运行？

【问题讨论】：

标签： apache-spark pyspark emr

【解决方案1】：

当您看到作业永远处于 ACCEPTED 状态时，这意味着它实际上并没有在运行，而是在等待 YARN 有足够的资源来运行应用程序。通常这是因为您已经有一些其他 YARN 应用程序正在运行并占用资源。找出是否是这种情况的最简单方法是查看主节点端口 8088 上的 YARN ResourceManager。如果你已经 ssh'ed 到主节点，你也可以运行命令“yarn application -list”。

【讨论】：

我们使用最小的实例类型来测试并查看 pyspark 是否工作，然后再继续。事实证明，m1.medium 太小，甚至无法在 aws 网站上运行示例作业。我永远不会猜到这一点。谢谢乔纳森。