阿里云EMR集群搭建及使用
目录
1.简介
1.什么是EMR
2.组成
3.与自建hadoop集群对比
4.产品架构
2.使用
1.创建EMR集群
1.登录EMR on ECS控制台
2.软件设置
3.硬件设置
3.基础配置
2.配置
1.组件配置
2.用户管理
3.安全组
4.Gateway
3.组件UI
1.简介
1.什么是EMR
EMR是运行在阿里云平台上的一种大数据处理的系统解决方案。可以简单的理解为一个对标ambari的产品。EMR构建于云服务器ECS上，基于开源的Apache Hadoop和Apache Spark。可以方便地使用Hadoop和Spark生态系统中的其他周边系统分析和处理数据。EMR提供on ECS和on ACK两种方式，on ACK指的是容器化。
2.组成
E-MapReduce的核心是集群。E-MapReduce集群是由一个或多个阿里云ECS实例组成的Hadoop、Flink、Druid、ZooKeeper集群。以Hadoop为例，每个ECS 实例上通常都运行了一些daemon进程（例如，NameNode、DataNode、ResouceManager和NodeManager），这些daemon进程共同组成了Hadoop集群。
- Master节点，部署了Hadoop的主节点服务，包括HDFS NameNode、HDFS JournalNode、ZooKeeper、YARN ResourceManager和HBase HMaster等服务，可以根据集群的使用场景，选择高可用集群或非高可用集群。测试环境可以选择非高可用集群，生产环境建议选择高可用集群。高可用集群可以选择2个或3个Master节点，当选择2个Master节点时，HDFS JournalNode和ZooKeeper会部署在Core的emr-worker-1节点。生产环境建议创建高可用集群时选择3个Master节点。
- Core节点，部署了HDFS DataNode和YARN Nodemanager，用于HDFS数据的存储和YARN的计算，不可以弹性伸缩。
- Task节点，部署了YARN NodeManager，用于YARN计算，可以通过弹性伸缩的方式灵活扩容或缩容。
- Gateway集群，部署了Hadoop的客户端文件，您可以通过Gateway提交作业，避免直接登录集群产生的安全和客户端环境隔离问题。您需要先创建Hadoop集群，然后创建Gateway集群关联至Hadoop集群。
3.与自建hadoop集群对比
| 对比项 | 阿里云EMR | 自建Hadoop集群 |
|---|---|---|
| 成本 | 支持按量和包年包月付费方式，集群资源支持灵活调整，数据分层存储，资源使用率高。无额外软件License费用。 | 需提前预估资源，且资源相对固定，资源使用率低。采用Hadoop发行版，需额外支付License费用。 |
| 性能 | 较开源版本性能大幅提升。 | 采用开源社区版本，性能需自行优化。 |
| 易用性 | 分钟级别启动Hadoop集群，敏捷响应业务需求。 | 采购服务器，部署Hadoop生态组件，周期长达数周。 |
| 弹性 | 可根据作业临时启动和销毁集群。集群资源可根据时间周期或集群负载动态自动调整。基于JindoFS计算存储分离架构，轻松分别扩展计算和存储资源。 | 计算和存储耦合，资源相对固定，无法弹性调整资源。 |
| 安全 | 支持企业级多租户资源管理，支持对表、列、行级别的权限控制和日志审计，支持数据加密。 | 多租户管理能力需自行配置，能力不完善，无法满足企业级需求。 |
| 可靠 | 大规模、企业级环境的检验，随开源版本升级，并经过专业的兼容性验证测试，提供优于社区版本的使用体验。 | 需自行更新和升级开源版本，验证各组件版本兼容性，自行修复社区bug。 |
| 服务 | 专业和资深大数据专家技术服务团队提供售后支持。 | 社区版本无服务支持，Hadoop发行版，需额外支付License和服务费用。 |
4.产品架构
2.使用
1.创建EMR集群
1.登录EMR on ECS控制台
2.软件设置
根据实际情况选择地域和资源组。
这里选择是数据湖的场景，如果有数据分析的可以重新再另建一个数据分析的EMR集群，这样以便于计算资源的隔离，如果不同的业务使用一个集群那资源就是混用的。
如果是生产环境需要开启服务高可用，服务高可用将会使用3个master节点保障服务的高可用。
元数据我们选择DLF统一元数据管理，当然也可以使用自建的RDS，不过这样就需要自己买个mysql的费用。
DLF数据目录我们使用默认的就好，也可以自建创建一个目录，如果其他EMR集群使用了同一个DLF数据目录，那就是使用的同一个元数据信息，这个需要注意
Hive存储模式使用数据湖存储，使用OSS-HDFS作为数据存储，所以这里需要我们在创建集群之前需要创建一个OSS的bucket,并开通OSS-HDFS服务。
Hive数据仓库路径这里填入前面创建OSS的bucket
3.硬件设置
付费类型，如果短期使用的我们选择按量付费，如果是长期选择包年包月。
专有网络，也就是vpc用于网络隔离的。
可用区我们这里选择和业务系统在同一个地域的同一个可用区内，保证效率。
节点组，master节点这个是不能扩容的，所以需要我们前面规划好。Master节点主要用来存储HDFS元数据和组件Log文件，属于计算密集型，对磁盘IO要求不高。HDFS元数据存储在内存中，建议根据文件数量选择16 GB以上内存空间。
Core节点会同时运行DataNode和Nodemanager。作为存储和计算节点使用，我们可以把数据存在OSS中，集群中的HDFS仅作为YARN任务分发的临时存储空间使用。
3.基础配置
身份凭证建议使用密钥对，这样更安全。
2.配置
1.组件配置
点击集群服务->选择Hive配置，修改配置项hive.execution.engine=tez。
2.用户管理
我们前面选择的knox，它可以让我们通过公网方式访问HDFS、YARN、Spark和Ganglia等Web UI页面，它可以帮助我们只开放一个端口访问所有的UI。
点击EMR集群->点击用户管理->添加用户,选择我们要添加的用户，然后设置密码，这个用户和密码用于后面访问组件UI的时候的验证。
3.安全组
knox默认使用了8443端口，所以在安全组中我们手动添加8443端口，授权对象为需要访问资源机器的ip地址。
4.Gateway
Gateway 主要用于向计算集群提交任务和进行安全隔离。部署组件客户端，访问EMR集群。
其部署过程如下
- 在 ECS 控制台创建 ECS 实例
- 在 ECS 实例安装 EMR-CLI 工具，并配置认证信息
- 通过 EMR-CLI 命令完成部署客户端软件包、同步集群配置及更新软件包操作。
在ECS实例安装EMR-CLI工具过程如下：
需要注意的是，如果使用spark客户端需要配置Gateway节点的域名解析。
如何创建ECS实例并基于EMR-CLI快速部署Gateway环境_开源大数据平台 E-MapReduce-阿里云帮助中心
3.组件UI
点击集群->访问链接与端口。点击之后输入我们前面添加的用户和密码访问。