Amazon MapReduce日志分析的最佳实践

Question

我正在解析Apache，Nginx，Darwin（视频流服务器）生成的访问日志，并按日期/ referrer / useragent聚合每个交付文件的统计信息。

每小时生成大量日志，并且这个数字可能会在不久的将来大幅增加 - 因此通过Amazon Elastic MapReduce以分布式方式处理这类数据听起来很合理。

现在我已准备好使用映射器和缩减器来处理我的数据并使用以下流程测试整个过程：

• 将映射器，缩减器和数据上传到Amazon S3
• 配置了适当的作业并成功处理
• 将Amazon S3的聚合结果下载到我的服务器，并通过运行CLI脚本
将其插入MySQL数据库

我已经根据互联网上有关Amazon ERM的数千个教程手动完成了这项工作。

接下来我该怎么办？什么是自动化此过程的最佳方法？

• 我应该通过API控制Amazon EMR jobTracker吗？
• 如何确保我的日志不会被处理两次？
• 将处理过的文件移至归档的最佳方法是什么？
• 将结果插入PostgreSQL / MySQL的最佳方法是什么？
• 如何在输入/输出目录中布置作业数据？
• 每次使用API​​时都应该创建新的EMR作业吗？
• 将原始日志上传到Amazon S3的最佳方法是什么？
• 任何人都可以分享他们的数据处理流程设置吗？
• 如何控制文件上传和作业完成？

我认为这个主题对于尝试使用Amazon Elastic MapReduce处理访问日志但无法找到好的材料和/或最佳实践的人来说非常有用。

UPD：这里只是澄清最后一个问题：

Amazon Elastic MapReduce支持的日志处理的最佳做法是什么？

相关帖子：

Getting data in and out of Elastic MapReduce HDFS

Answer 1

这是一个非常开放的问题，但这里有一些你可以考虑的想法：

• 使用Amazon SQS：这是一个分布式队列，对于工作流管理非常有用，你有一个进程在日志可用时立即写入队列，另一个从中读取，处理描述的日志在队列消息中，并在完成处理时删除它。这样可以确保只处理一次日志。
• 您提到的Apache Flume对于日志聚合非常有用。即使您不需要实时，也应该考虑这一点，因为它至少为您提供了标准化的聚合过程。
• 亚马逊最近发布了SimpleWorkFlow。我刚开始研究它，但听起来很有希望管理数据管道的每一步。

希望能给你一些线索。