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

Esse documento fornece um exemplo de uso do PowerShell do Azure para executar um trabalho MapReduce em um Hadoop no cluster HDInsight.

Pré-requisitos

• Um cluster do Apache Hadoop no HDInsight. Confira Criar clusters Apache Hadoop usando o portal do Azure.

• O Módulo Az do PowerShell instalado.

Executar um trabalho MapReduce

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

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

As etapas a seguir demonstram como usar esses cmdlets para executar um trabalho no seu cluster HDInsight.

1. 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
   

2. Abra um novo prompt de comando do PowerShell do Azure . Altere os diretórios para o local do arquivo mapreducejob.ps1 e use o seguinte comando para executar o script:

   .\mapreducejob.ps1
   

   Quando você executa o script, o nome do cluster HDInsight e o logon dele são solicitados. Você também poderá receber uma solicitação para autenticar a sua assinatura do Azure.

3. Quando o trabalho for concluído, você receberá 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.

   Observação

   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 do qual você executa o script.

Exibir saída

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

Solução de problemas

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

# 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

Esse cmdlet retorna as informações gravadas em STDERR conforme o trabalho é executado.

Próximas etapas

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

• Usar o MapReduce no Hadoop do HDInsight
• Usar Apache Hive com Apache Hadoop no HDInsight