Executar trabalhos do MapReduce com o Apache Hadoop no HDInsight usando o PowerShell

Artigo
06/17/2024

Este documento fornece um exemplo de como usar o Azure PowerShell para executar um trabalho MapReduce em um cluster Hadoop no HDInsight.

Pré-requisitos

Um cluster Apache Hadoop no HDInsight. Consulte Criar clusters Apache Hadoop usando o portal do Azure.
O módulo Az do PowerShell instalado.

Executar um trabalho MapReduce

O Azure PowerShell fornece cmdlets que permitem executar remotamente trabalhos do MapReduce no HDInsight. Internamente, o PowerShell faz chamadas REST para WebHCat (anteriormente chamado de Templeton) em execução no cluster HDInsight.

Os cmdlets a seguir usados ao executar trabalhos do MapReduce em um cluster HDInsight remoto.

Cmdlet	Description
Connect-AzAccount	Autentica o Azure PowerShell na sua assinatura do Azure.
New-AzHDInsightMapReduceJobDefinition	Cria uma nova definição de trabalho usando as informações MapReduce especificadas.
Start-AzHDInsightJob	Envia a definição de trabalho para o HDInsight e inicia o trabalho. Um objeto de trabalho é retornado.
Wait-AzHDInsightJob	Usa o objeto de trabalho para verificar o status do trabalho. Ele aguarda até que o trabalho seja concluído ou o tempo de espera seja excedido.
Get-AzHDInsightJobOutput	Usado para recuperar a saída do trabalho.

As etapas a seguir demonstram como usar esses cmdlets para executar um trabalho em seu cluster HDInsight.

Usando um editor, salve o código a seguir como 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

Abra um novo prompt de comando do Azure PowerShell . Altere os diretórios para o local do arquivo mapreducejob.ps1 e use o seguinte comando para executar o script:
```
.\mapreducejob.ps1
```
Quando executa o script, é-lhe pedido o nome do cluster HDInsight e o início de sessão do cluster. Você também pode ser solicitado a autenticar sua assinatura do Azure.
Quando o trabalho é concluído, você recebe uma saída semelhante ao seguinte texto:
```
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
```
Essa saída indica que o trabalho foi concluído com êxito.

Nota

Se o ExitCode for um valor diferente de 0, consulte Solução de problemas.

Este exemplo também armazena os arquivos baixados em um arquivo output.txt no diretório a partir do qual você executa o script.

Ver saída

Para ver as palavras e contagens produzidas pelo trabalho, abra o arquivo output.txt em um editor de texto.

Nota

Os arquivos de saída de um trabalho MapReduce são imutáveis. Portanto, se você executar novamente este exemplo, precisará alterar o nome do arquivo de saída.

Resolução de Problemas

Se nenhuma informação for retornada quando o trabalho for concluído, exiba os erros do trabalho. Para exibir informações de erro para este trabalho, adicione o seguinte comando ao final do arquivo mapreducejob.ps1 . Em seguida, salve o arquivo e execute novamente o script.

# 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

Este cmdlet retorna as informações que foram gravadas no STDERR à medida que o trabalho é executado.

Próximos passos

Como você pode ver, o Azure PowerShell fornece uma maneira fácil de executar trabalhos do MapReduce em um cluster HDInsight, monitorar o status do trabalho e recuperar a saída. Para obter informações sobre outras maneiras de trabalhar com o Hadoop no HDInsight:

Partilhar via