Spouštění úloh MapReduce s Apache Hadoopem ve službě HDInsight pomocí PowerShellu

Tento dokument obsahuje příklad použití Azure PowerShellu ke spuštění úlohy MapReduce v clusteru Hadoop v clusteru HDInsight.

Požadavky

• Cluster Apache Hadoop ve službě HDInsight. Viz Vytváření clusterů Apache Hadoop pomocí webu Azure Portal.

• Nainstalovaný modul Az PowerShellu.

Spuštění úlohy MapReduce

Azure PowerShell poskytuje rutiny , které umožňují vzdáleně spouštět úlohy MapReduce ve službě HDInsight. PowerShell interně volá REST webHCat (dříve Templeton) spuštěný v clusteru HDInsight.

Následující rutiny používané při spouštění úloh MapReduce ve vzdáleném clusteru HDInsight.

Následující kroky ukazují, jak pomocí těchto rutin spustit úlohu v clusteru HDInsight.

1. Pomocí editoru uložte následující kód jako mapreducejob.ps1.

   # Login to your Azure subscription
   $context = Get-AzContext
   if ($context -eq $null) 
   {
       Connect-AzAccount
   }
   $context
   
   # Get cluster info
   $clusterName = Read-Host -Prompt "Enter the HDInsight cluster name"
   $creds=Get-Credential -Message "Enter the login for the cluster"
   
   #Get the cluster info so we can get the resource group, storage, etc.
   $clusterInfo = Get-AzHDInsightCluster -ClusterName $clusterName
   $resourceGroup = $clusterInfo.ResourceGroup
   $storageAccountName=$clusterInfo.DefaultStorageAccount.split('.')[0]
   $container=$clusterInfo.DefaultStorageContainer
   #NOTE: This assumes that the storage account is in the same resource
   #      group as the cluster. If it is not, change the
   #      --ResourceGroupName parameter to the group that contains storage.
   $storageAccountKey=(Get-AzStorageAccountKey `
       -Name $storageAccountName `
   -ResourceGroupName $resourceGroup)[0].Value
   
   #Create a storage context
   $context = New-AzStorageContext `
       -StorageAccountName $storageAccountName `
       -StorageAccountKey $storageAccountKey
   
   #Define the MapReduce job
   #NOTE: If using an HDInsight 2.0 cluster, use hadoop-examples.jar instead.
   # -JarFile = the JAR containing the MapReduce application
   # -ClassName = the class of the application
   # -Arguments = The input file, and the output directory
   $wordCountJobDefinition = New-AzHDInsightMapReduceJobDefinition `
       -JarFile "/example/jars/hadoop-mapreduce-examples.jar" `
       -ClassName "wordcount" `
       -Arguments `
           "/example/data/gutenberg/davinci.txt", `
           "/example/data/WordCountOutput"
   
   #Submit the job to the cluster
   Write-Host "Start the MapReduce job..." -ForegroundColor Green
   $wordCountJob = Start-AzHDInsightJob `
       -ClusterName $clusterName `
       -JobDefinition $wordCountJobDefinition `
       -HttpCredential $creds
   
   #Wait for the job to complete
   Write-Host "Wait for the job to complete..." -ForegroundColor Green
   Wait-AzHDInsightJob `
       -ClusterName $clusterName `
       -JobId $wordCountJob.JobId `
       -HttpCredential $creds
   # Download the output
   Get-AzStorageBlobContent `
       -Blob 'example/data/WordCountOutput/part-r-00000' `
       -Container $container `
       -Destination output.txt `
       -Context $context
   # Print the output of the job.
   Get-AzHDInsightJobOutput `
       -Clustername $clusterName `
       -JobId $wordCountJob.JobId `
       -HttpCredential $creds
   

2. Otevřete nový příkazový řádek Azure PowerShellu . Změňte adresáře na umístění souboru mapreducejob.ps1 a pak pomocí následujícího příkazu spusťte skript:

   .\mapreducejob.ps1
   

   Při spuštění skriptu se zobrazí výzva k zadání názvu clusteru HDInsight a přihlášení ke clusteru. Může se také zobrazit výzva k ověření ve vašem předplatném Azure.

3. Po dokončení úlohy se zobrazí výstup podobný následujícímu textu:

   Cluster         : CLUSTERNAME
   ExitCode        : 0
   Name            : wordcount
   PercentComplete : map 100% reduce 100%
   Query           :
   State           : Completed
   StatusDirectory : f1ed2028-afe8-402f-a24b-13cc17858097
   SubmissionTime  : 12/5/2014 8:34:09 PM
   JobId           : job_1415949758166_0071
   

   Tento výstup označuje, že úloha byla úspěšně dokončena.

   Poznámka:

   Pokud je ukončovací kód jinou hodnotou než 0, přečtěte si téma Řešení potíží.

   Tento příklad také ukládá stažené soubory do souboru output.txt v adresáři, ze kterého skript spustíte.

Zobrazit výstup

Pokud chcete zobrazit slova a počty vytvořené úlohou, otevřete soubor output.txt v textovém editoru.

Řešení problému

Pokud se po dokončení úlohy nevrátí žádné informace, zobrazte chyby úlohy. Chcete-li zobrazit informace o chybě pro tuto úlohu, přidejte na konec souboru mapreducejob.ps1 následující příkaz. Pak soubor uložte a spusťte skript znovu.

# Print the output of the WordCount job.
Write-Host "Display the standard output ..." -ForegroundColor Green
Get-AzHDInsightJobOutput `
        -Clustername $clusterName `
        -JobId $wordCountJob.JobId `
        -HttpCredential $creds `
        -DisplayOutputType StandardError

Tato rutina vrátí informace, které byly zapsány do STDERR při spuštění úlohy.

Další kroky

Jak vidíte, Azure PowerShell nabízí snadný způsob spouštění úloh MapReduce v clusteru HDInsight, monitorování stavu úlohy a načtení výstupu. Informace o dalších způsobech práce se systémem Hadoop ve službě HDInsight:

• Použití MapReduce ve službě HDInsight Hadoop
• Použití Apache Hivu s Apache Hadoopem ve službě HDInsight