將s3distcp與Amazon EMR配合使用來複制單個文件

Question

我想使用s3distcp僅將單個文件複製到HDFS。我已經嘗試使用srcPattern參數，但它沒有幫助，它一直拋出java.lang.Runtime異常。 有可能我使用的正則表達式是罪魁禍首，請幫忙。

我的代碼如下：

elastic-mapreduce -j $jobflow --jar s3://us-east-1.elasticmapreduce/libs/s3distcp/1.latest/s3distcp.jar --args '--src,s3://<mybucket>/<path>' --args '--dest,hdfs:///output' --arg --srcPattern --arg '(filename)' 

拋出異常：

Exception in thread "main" java.lang.RuntimeException: Error running job at com.amazon.external.elasticmapreduce.s3distcp.S3DistCp.run(S3DistCp.java:586) at com.amazon.external.elasticmapreduce.s3distcp.S3DistCp.run(S3DistCp.java:216) at org.apache.hadoop.util.ToolRunner.run(ToolRunner.java:65) at org.apache.hadoop.util.ToolRunner.run(ToolRunner.java:79) at com.amazon.external.elasticmapreduce.s3distcp.Main.main(Main.java:12) at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method) at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:39) at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:25) at java.lang.reflect.Method.invoke(Method.java:597) at org.apache.hadoop.util.RunJar.main(RunJar.java:156) Caused by: org.apache.hadoop.mapred.InvalidInputException: Input path does not exist: hdfs:/tmp/a088f00d-a67e-4239-bb0d-32b3a6ef0105/files at org.apache.hadoop.mapred.FileInputFormat.listStatus(FileInputFormat.java:197) at org.apache.hadoop.mapred.SequenceFileInputFormat.listStatus(SequenceFileInputFormat.java:40) at org.apache.hadoop.mapred.FileInputFormat.getSplits(FileInputFormat.java:208) at org.apache.hadoop.mapred.JobClient.writeOldSplits(JobClient.java:1036) at org.apache.hadoop.mapred.JobClient.writeSplits(JobClient.java:1028) at org.apache.hadoop.mapred.JobClient.access$700(JobClient.java:172) at org.apache.hadoop.mapred.JobClient$2.run(JobClient.java:944) at org.apache.hadoop.mapred.JobClient$2.run(JobClient.java:897) at java.security.AccessController.doPrivileged(Native Method) at javax.security.auth.Subject.doAs(Subject.java:396) at org.apache.hadoop.security.UserGroupInformation.doAs(UserGroupInformation.java:1059) at org.apache.hadoop.mapred.JobClient.submitJobInternal(JobClient.java:897) at org.apache.hadoop.mapred.JobClient.submitJob(JobClient.java:871) at org.apache.hadoop.mapred.JobClient.runJob(JobClient.java:1308) at com.amazon.external.elasticmapreduce.s3distcp.S3DistCp.run(S3DistCp.java:568) ... 9 more 

Answer 1

我用的確是罪魁禍首正則表達式的單個文件。 說的文件名有日期的文件，例如像abcd-2013-06-12.gz，那麼爲了只複製這個文件，下面的EMR命令，應該做的：

彈性MapReduce的-j $ jobflow --jar S3：/ /us-east-1.elasticmapreduce/libs/s3distcp/1.latest/s3distcp.jar --args'--src，s3：///'--args'--dest，hdfs：/// output' --arg --srcPattern --arg '* 2013-06-12.gz'

如果我沒有記錯，我正則表達式最初是*2013-06-12.gz而不是.*2013-06-12.gz。所以在開始時需要點。

Answer 2

DistCp使用的目的複製使用多臺機器上的許多文件。如果您只想複製一個文件，則DistCp不是正確的工具。

在Hadoop的主節點，您可以複製使用

hadoop fs -cp s3://<mybucket>/<path> hdfs:///output