[AWS] 01 - What is Amazon EMR

Amazon Athena 是一种交互式查询服务，让您能够轻松使用标准 SQL 直接分析 Amazon S3 中的数据。
EMR 解决Hadoop集群部署和管理的难题；
Amazon CloudSearch 是一款在 AWS 云中托管的服务，可让您简单且经济高效地为网站或应用程序设置、管理或扩展搜索解决方案。
Elasticsearch Service
Kinesis 让实时数据的捕捉与分析变得不再困难。
QuickSight 云BI服务。
Data Pipeline 使用它安排将输入数据移入 Amazon S3 的时间，以及安排启动集群处理这些数据的时间。
AWS Glue 一项完全托管的提取、转换和加载 (ETL) 服务，让客户能够轻松加载数据仓库中的数据进行分析。
AWS Lake Formation 数据湖是一个安全的集中式辅助存储库，它以数据原始形式和可用于分析的形式存储所有数据。
MSK 完全托管服务，可让您轻松构建并运行使用 Apache Kafka 的应用程序来处理流数据。

常见问题：Can we consider AWS Glue as a replacement for EMR?

了解集群和节点

向集群提交工作

处理数据

启动集群时，您需要选择要安装的框架和应用程序，以满足您的数据处理需求。要处理 Amazon EMR 集群中的数据，您可以直接向已安装的应用程序提交作业或查询，或在集群中运行步骤。

直接向应用程序提交作业

您可以直接向安装在 Amazon EMR 集群中的应用程序提交作业和与之交互。

为此，您通常需要通过安全连接与主节点连接，并访问可用于直接运行在集群上的软件的接口和工具。有关更多信息，请参阅连接到集群。

运行步骤以处理数据

您可以向 Amazon EMR 集群提交一个或多个有序的步骤。每个步骤都是一个工作单位，其中包含可由集群上安装的软件处理的数据操作指令。

下面是一个使用四个步骤的示例处理操作：

提交要处理的输入数据集。
使用 Pig 程序处理第一个步骤的输出。（是MapReduce的一个抽象；使用 Pig Latin ，程序员可以轻松地执行MapReduce作业，而无需在Java中键入复杂的代码。）
使用 Hive 程序处理第二个输入数据集。（hive是数据仓库，在hadoop基础上处理结构化数据。）
写入一个输出数据集。

数据仓库和数据库的区别？

一般来说，传统数据库是为存储而生，而数据仓库很明显，是为分析而生。

运行状态（正常）切换

通常，在 Amazon EMR 中处理数据时，输入为以文件形式存储在您选择的底层文件系统（如 Amazon S3 或 HDFS）中的数据。数据从处理序列中的一个步骤传递到下一个。最后一步将输出数据写入指定位置，如 Amazon S3 存储桶。

步骤按下面的序列运行：

提交请求以开始处理步骤。
所有步骤的状态均设为 PENDING (待处理)。
序列中的第一个步骤启动时，其状态更改为 RUNNING (正在运行)。其他步骤仍处于 PENDING (待处理) 状态。
第一个步骤完成后，其状态更改为 COMPLETED (已完成)。
序列中的下一个步骤启动，其状态更改为 RUNNING (正在运行)。完成时，其状态更改为 COMPLETED (已完成)。
对每个步骤重复这一模式，直到所有步骤均完成，处理结束。

下图显示了此步骤序列及随着处理的进行各步骤的状态更改。

运行状态（异常）切换

如果处理期间步骤失败，其状态会更改为 TERMINATED_WITH_ERRORS。您可以确定接下来如何处理每个步骤。默认情况下，序列中的任何其余步骤设置为 CANCELLED (取消) 并且不运行。您也可以选择忽略失败并允许继续执行其余步骤，或者立即终止集群。

下图显示了此步骤序列和处理期间某个步骤失败时默认的状态变更。

理解集群的生命周期

成功的 Amazon EMR 集群会遵循这个流程：

根据您指定的设置，Amazon EMR 先为每个实例预置集群中的 EC2 实例。在这个期间，集群的状态是 STARTING。
Amazon EMR 在每个实例上运行您指定的引导操作。您可以使用引导操作安装自定义应用程序并执行所需的自定义。
Amazon EMR 安装在创建集群时指定的本机应用程序，例如，Hive、Hadoop 和 Spark 等。
在成功完成引导操作并安装本机应用程序后，集群状态为RUNNING。此时，您可以连接到集群实例，集群将按顺序运行在创建集群时指定的任何步骤。您可以提交额外的步骤，这些步骤在任何以前的步骤完成后运行。
在成功运行步骤后，集群将进入WAITING状态。如果集群配置为在完成最后一个步骤后自动终止，则会进入SHUTTING_DOWN状态。
在终止所有实例后，集群将进入COMPLETED状态。

集群生命周期中的故障将导致 Amazon EMR 终止集群及其所有实例，除非启用了终止保护。如果集群由于故障而终止，则会删除集群上存储的任何数据并将集群状态设置为FAILED。如果启用了终止保护，您可以从集群中检索数据，然后删除终止保护并终止集群。

Amazon EMR 体系结构概述

存储

Hadoop 分布式文件系统 (HDFS)

不同的实例上存储多份数据副本。
暂时性存储，会在集群终止时收回。
在缓存 MapReduce 处理期间的中间结果或具有大量随机 I/O 的工作负载时非常有用。

EMR 文件系统 (EMRFS)

本地文件系统 (Local FS)

集群资源管理

默认情况下，Amazon EMR 使用 YARN (Yet Another Resource Negotiator) (Apache Hadoop 2.0 中引入的一个组件) 集中管理多个数据处理框架的集群资源。

数据处理框架

数据处理框架层是用于分析和处理数据的引擎。在 YARN 上运行并具有自己的资源管理功能的框架有很多，Hadoop MapReduce 和 Spark 是可用于 Amazon EMR 的主处理框架。

Spark 是一种用于处理大数据工作负载的集群框架和编程模型。与 Hadoop MapReduce 一样，Spark 是开源、分布式的处理系统，但它为执行计划使用有向无环图并为数据集使用内存缓存。在 Amazon EMR 上运行 Spark 时，您可以使用 EMRFS 直接访问 Amazon S3 中的数据。Spark 支持多种交互式查询模块，如 SparkSQL。

应用程序和项目

Amazon EMR 支持许多应用程序，如 Hive、Pig 和 Spark Streaming 库，以提供使用更高级的语言创建处理工作负载、运用机器学习算法、制作流处理应用程序、构建数据仓库等功能。此外，Amazon EMR 还支持拥有自己的集群管理功能而不使用 YARN 的开源项目。

End.