Question

我正在使用aws .net sdk向EMR运行s3distcp作业，以使用--groupBy arg连接文件夹中的所有文件。但无论我尝试过什么“groupBy”arg，它都会一直失败，或者只是复制文件而不连接，就像在arg列表中没有指定--groupBy一样。

文件夹中的文件是spark saveAsTextFiles，其名称如下所示：

部分-0000
部分0001
部分-0002
...
...

step.HadoopJarStep = new HadoopJarStepConfig
            {
                Jar = "/usr/share/aws/emr/s3-dist-cp/lib/s3-dist-cp.jar",
                Args = new List<string>
                {
                    "--s3Endpoint=s3-eu-west-1.amazonaws.com",
                    "--src=s3://foo/spark/result/bar" ,
                    "--dest=s3://foo/spark/result-merged/bar",
                    "--groupBy=(part.*)",
                    "--targetSize=256"

                }
            };

Answer 1

在经历了这一整天的挣扎之后，最终我得到了它与groupKey arg合作：

--groupBy=.*part.*(\w+)

但即使我将--targetSize=1024添加到args s3distcp也会生成2,5MB - 3MB文件。有没有人对它有任何想法？

** *更新* **

这是groupBy子句，它将所有文件连接到一个文件中，位于自己的文件夹中：

.*/(\\w+)/.*

最后一个“/”在这里非常重要 --source =“s3：// foo / spark / result /”

“result”文件夹中有一些文件夹：

s3://foo/spark/result/foo
s3://foo/spark/result/bar
s3://foo/spark/result/lorem
s3://foo/spark/result/ipsum

在上面的每个文件夹中有数百个文件，如：

part-0000
part-0001
part-0002

.*/(\\w+)/.*这个group by子句对每个文件夹中的每个文件进行分组，所以最后每个文件夹都有一个文件夹名为

s3://foo/spark/result-merged/foo/foo -> File
s3://foo/spark/result-merged/bar/bar -> File
s3://foo/spark/result-merged/lorem/lorem -> File
s3://foo/spark/result-merged/ipsum/ipsum -> File

所以，这对我来说是最后的工作命令：

s3-dist-cp --src s3://foo/spark/result/  --dest s3://foo/spark/results-merged --groupBy '.*/(\\w+)/.*' --targetSize 1024

感谢。

如何EMR S3DistCp组正确？

1 个答案: