我的boto弹性mapreduce jar作业流参数有什么问题？

Question

我正在使用boto库在Amazons弹性MapReduce Webservice（EMR）中创建一个作业流。以下代码应创建一个步骤：

step2 = JarStep(name='Find similiar items',
            jar='s3n://recommendertest/mahout-core/mahout-core-0.5-SNAPSHOT.jar',
            main_class='org.apache.mahout.cf.taste.hadoop.similarity.item.ItemSimilarityJob',
            step_args=['s3n://bucket/output/' + run_id + '/aggregate_watched/',
                       's3n://bucket/output/' + run_id + '/similiar_items/',
                       'SIMILARITY_PEARSON_CORRELATION'
                      ])

运行作业流时，总是无法引发以下错误：

^{pr2}$

这是EMR日志中调用java代码的行：

2011-01-24T22:18:54.491Z INFO Executing /usr/lib/jvm/java-6-sun/bin/java \
-cp /home/hadoop/conf:/usr/lib/jvm/java-6-sun/lib/tools.jar:/home/hadoop:/home/hadoop \
/hadoop-0.18-core.jar:/home/hadoop/hadoop-0.18-tools.jar:/home/hadoop/lib/*:/home/hadoop/lib/jetty-ext/* \
-Xmx1000m \
-Dhadoop.log.dir=/mnt/var/log/hadoop/steps/3 \
-Dhadoop.log.file=syslog \
-Dhadoop.home.dir=/home/hadoop \
-Dhadoop.id.str=hadoop \
-Dhadoop.root.logger=INFO,DRFA \
-Djava.io.tmpdir=/mnt/var/lib/hadoop/steps/3/tmp \
-Djava.library.path=/home/hadoop/lib/native/Linux-i386-32 \
org.apache.hadoop.mapred.JobShell \
/mnt/var/lib/hadoop/steps/3/mahout-core-0.5-SNAPSHOT.jar \
org.apache.mahout.cf.taste.hadoop.similarity.item.ItemSimilarityJob \
s3n://..../output/job_2011-01-24_23:09:29/aggregate_watched/ \
s3n://..../output/job_2011-01-24_23:09:29/similiar_items/ \
SIMILARITY_PEARSON_CORRELATION

参数有什么问题？java类定义可在此处找到：

https://hudson.apache.org/hudson/job/Mahout-Quality/javadoc/org/apache/mahout/cf/taste/hadoop/similarity/item/ItemSimilarityJob.html

Answer 1

我找到了解决问题的方法：

1. 您需要在jobflow参数中指定hadoop版本0.20
2. 您需要使用mahout-core-0.5-SNAPSHOT运行JAR步骤-作业.jar，而不是使用mahout-core-0.5-快照.jar在
3. 如果作业流中有其他流式处理步骤，则需要修复boto中的错误：
   1. 打开boto/emr/步骤.py在
   2. 将第138行改为“return'/home/hadoop/contrib/streaming/hadoop”-流媒体.jar'“
   3. 保存并重新安装boto

以下是如何调用job\u flow函数以与mahout一起运行：

jobid = emr_conn.run_jobflow(name = name, log_uri = 's3n://'+ main_bucket_name +'/emr-logging/', enable_debugging=1, hadoop_version='0.20', steps=[step1,step2])

Answer 2

上述步骤2中描述的boto修复（即使用非版本化的hadoop-streamin.jar文件文件）已合并到github主服务器中：

https://github.com/boto/boto/commit/a4e8e065473b5ff9af554ceb91391f286ac5cac7

Answer 3

从博图做这件事的一些参考

import boto.emr.connection as botocon

import boto.emr.step as step

con = botocon.EmrConnection(aws_access_key_id='', aws_secret_access_key='')

step = step.JarStep(name='Find similar items', jar='s3://mahout-core-0.6-job.jar', main_class='org.apache.mahout.cf.taste.hadoop.similarity.item.ItemSimilarityJob', action_on_failure='CANCEL_AND_WAIT', step_args=[' input', 's3://', ' output', 's3://', ' similarityClassname', 'SIMILARITY_PEARSON_CORRELATION'])

con.add_jobflow_steps('jflow', [step])

显然你需要上传mahout-core-0.6-作业.jar到可进入的s3位置。输入和输出必须是可访问的。在