DataWorks支援基於EMR（E-MapReduce）叢集建立Hive、MR、Presto和Spark SQL等節點，實現EMR任務工作流程的配置、周期性調度和中繼資料管理等功能，保障資料生產及管理的高效穩定。本文為您介紹如何在DataWorks註冊同帳號或跨帳號的EMR叢集。
背景資訊
開源巨量資料開發平台E-MapReduce（簡稱EMR），是運行在阿里雲平台上的一種巨量資料處理的系統解決方案。
EMR基於開源的Apache Hadoop和Apache Spark，讓您可以方便地使用Hadoop和Spark生態系統中的其他周邊系統分析和處理資料。EMR還可以與阿里雲其他的雲資料存放區系統和資料庫系統（例如，阿里雲OSS和RDS等）進行資料轉送。阿里雲EMR提供了on ECS、on ACK和Serverless等形態，以滿足不同使用者的需求。
在DataWorks運行EMR任務時可選擇多種EMR組件，不同組件運行任務時的最優配置存在差異，您在配置EMR叢集時請參考EMR叢集配置建議，根據實際情況進行選擇。
支援的叢集類型
您需將EMR叢集註冊至DataWorks，後續才可在DataWorks上使用該叢集運行相關任務。在DataWorks執行相關操作前，請提前建立好相應叢集。DataWorks目前支援註冊的叢集類型如下：
若您使用的叢集類型無法註冊至DataWorks，請提交工單聯絡技術支援人員處理。
使用限制
任務類型：DataWorks暫不支援執行EMR的Flink任務。
任務執行：DataWorks支援使用Serverless資源群組（推薦）或舊版獨享調度資源群組進行EMR任務執行。
任務治理：
僅EMR Hive、EMR Spark及EMR Spark SQL節點中SQL任務支援產出血緣關係。當叢集版本為5.9.1或3.43.1及以上版本時，以上節點均支援查看錶級血緣與欄位級血緣。
說明對於Spark類型節點，當EMR叢集版本為5.8.0和3.42.0及以上版本時，支援查看錶級血緣與欄位級血緣，當EMR叢集版本低於5.8.0和3.42.0版本時，僅Spark 2.x支援查看錶級血緣。
DataLake或自訂叢集若要在DataWorks管理中繼資料，需先在叢集側配置EMR-HOOK。若未配置，則在DataWorks中無法即時展示中繼資料、產生審計日誌、展示血緣關係，EMR相關治理任務將無法開展。目前僅EMR Hive、EMR Spark SQL服務支援配置EMR-HOOK，配置詳情請參見配置Hive的EMR-HOOK、配置Spark SQL的EMR-HOOK。
地區限制：目前僅華北3（張家口）地區支援使用EMR Serverless Spark。
開啟Kerberos認證的EMR叢集的安全性群組需要對資源群組綁定的交換器網段放開UDP協議連接埠的入許可權。
說明您需單擊EMR叢集基礎資訊中叢集安全性群組的
表徵圖，進入安全性群組詳情頁簽，單擊訪問規則的入方向，選擇手動添加，協議類型選擇自訂UDP，連接埠範圍配置詳情請查看EMR叢集中的/etc/krb5.conf檔案中對應的kdc連接埠，授權對象設定為資源群組綁定的交換器網段。
前提條件
注意事項
若要實現DataWorks標準模式工作空間的開發環境與生產環境隔離機制，您需要為開發環境和生產環境註冊兩個不同的EMR叢集。且這兩個叢集的中繼資料需要使用如下儲存方式：
方式一（資料湖方案推薦）：儲存在資料湖構建DLF（Data Lake Formation）的兩個不同資料目錄Catalog。詳情請參見切換中繼資料存放區類型。
方式二：儲存在阿里雲關係型資料庫RDS（Relational Database Service）的兩個不同資料庫Database。詳情請參見配置自建RDS。
一個EMR叢集可以註冊在同一個阿里雲帳號的多個工作空間，但無法跨帳號註冊至多個工作空間。例如，某叢集登入至當前阿里雲帳號的工作空間，則該叢集將無法跨帳號再次被註冊至其他阿里雲帳號的工作空間。
步驟一：進入EMR叢集頁面
進入管理中心頁面。
登入DataWorks控制台，切換至目標地區後，單擊左側導覽列的，在下拉框中選擇對應工作空間後單擊進入管理中心。
單擊左側導覽列的叢集管理，進入叢集管理頁面 ，單擊註冊叢集按鈕，選擇註冊叢集類型為E-MapReduce。進入註冊E-MapReduce叢集頁面。
步驟二：註冊EMR叢集
在註冊E-MapReduce叢集頁面配置叢集資訊。
標準模式工作空間，需分別填寫開發環境和生產環境的叢集資訊，工作空間模式詳情請參見必讀：簡單模式和標準模式的區別。
叢集顯示名稱：定義叢集在DataWorks的名稱，名稱必須唯一。
叢集所屬雲帳號：選擇需要將哪個帳號下的EMR叢集註冊至當前工作空間。
當前阿里雲主帳號：將當前阿里雲主帳號下的EMR叢集註冊至當前帳號的DataWorks工作空間。
其他阿里雲主帳號：將其他阿里雲主帳號下的EMR叢集註冊至當前帳號的DataWorks工作空間。
說明EMR Serverless Spark叢集不支援跨帳號註冊，即您無法將其他阿里雲帳號的EMR Serverless Spark叢集註冊至當前阿里雲帳號的工作空間。
請根據選擇的帳號類型，參照下文配置相關參數。
叢集所屬雲帳號：當前帳號
當叢集所屬雲帳號選擇當前阿里雲主帳號時，您還需要配置如下參數：
配置項 | 說明 |
叢集類型 | 選擇需要註冊的EMR叢集類型。目前DataWorks可註冊的叢集類型請參見使用限制。 |
叢集 | 選擇當前帳號下需要註冊至DataWorks的EMR叢集。 說明 若叢集類型選擇EMR Serverless Spark，您需按照介面指引及參考說明選擇相應的E-MapReduce工作空間（即要註冊的叢集）、預設引擎版本、預設資源隊列等資訊。 |
預設訪問身份 | 定義在當前工作空間下，使用什麼身份訪問該EMR叢集。
說明 當預設訪問身份選擇任務責任人、阿里雲主帳號或阿里雲子帳號所映射的叢集帳號時，您可以參考設定叢集身份映射手動設定DataWorks租戶成員與EMR叢集指定帳號的映射關係。通過該映射的叢集帳號在DataWorks執行EMR任務，未配置DataWorks租戶成員與叢集帳號映射的情況下，DataWorks處理策略如下：
|
傳遞Proxy User資訊 | 用於配置是否傳遞Proxy User資訊。 說明 當開啟LDAP/Kerberos等認證方式時，叢集會為每個普通使用者都頒發一個認證憑證，該操作比較麻煩。為方便統一系統管理使用者許可權，您可通過某個超級使用者（Real User）去代理普通使用者（Proxy User）進行許可權認證，此時，通過Proxy User訪問叢集時，實際使用的是超級使用者的身份認證資訊。您只需添加使用者為Proxy User即可。
不同類型的EMR任務，傳遞Proxy User資訊的方式如下：
|
設定檔 | 當叢集類型選擇HADOOP時，您可以前往EMR控制台擷取設定檔。詳情請參見匯出和匯入服務配置。匯出後請根據產品介面要上傳的設定檔，修改檔案名稱。
此外，您還可以登入EMR叢集，通過以下路徑擷取相關設定檔。 |
叢集所屬雲帳號：其他阿里雲主帳號
當叢集所屬雲帳號選擇其他阿里雲主帳號時，您還需要配置如下參數：
配置項 | 說明 |
對方阿里雲主帳號UID | 需添加的EMR叢集所屬的雲帳號UID。 |
對方RAM角色 | 訪問該EMR叢集的RAM角色。該角色需滿足如下條件：
說明 跨帳號註冊EMR叢集的相關操作，詳情請參見情境：註冊跨帳號的EMR叢集。 |
對方EMR叢集類型 | 選擇需要註冊的EMR叢集類型。目前跨帳號註冊EMR叢集情境下僅支援 |
對方EMR叢集 | 選擇該帳號下需要註冊至DataWorks的EMR叢集。 |
設定檔 | 請在產品介面按照提示配置各項設定檔。擷取設定檔詳情請參見匯出和匯入服務配置。匯出後請根據產品介面要上傳的設定檔，修改檔案名稱。
此外，您還可以登入EMR叢集，通過以下路徑擷取相關設定檔。 |
預設訪問身份 | 定義在當前工作空間下，用什麼身份訪問該EMR叢集。
說明 當預設訪問身份選擇任務責任人、阿里雲主帳號或阿里雲子帳號所映射的叢集帳號時，您可以參考設定叢集身份映射手動設定DataWorks租戶成員與EMR叢集指定帳號的映射關係。通過該映射的叢集帳號在DataWorks執行EMR任務，未配置DataWorks租戶成員與叢集帳號映射的情況下，DataWorks處理策略如下：
|
傳遞Proxy User資訊 | 用於配置是否傳遞Proxy User資訊。 說明 當開啟LDAP/Kerberos等認證方式時，叢集會為每個普通使用者都頒發一個認證憑證，該操作比較麻煩。為方便統一系統管理使用者許可權，您可通過某個超級使用者（Real User）去代理普通使用者（Proxy User）進行許可權認證，此時，通過Proxy User訪問叢集時，實際使用的是超級使用者的身份認證資訊。您只需添加使用者為Proxy User即可。
不同類型的EMR任務，傳遞Proxy User資訊的方式如下：
|
步驟三：資源群組初始化
初次註冊叢集、叢集服務配置變更或組件版本升級（例如：修改core-site.xml）請初始化資源群組，確保資源群組可正常訪問EMR，資源群組當前環境配置可正常執行EMR任務。
在開源叢集頁面，找到登入的EMR叢集頁簽，單擊右上方的資源群組初始化。
在需要的資源群組後面單擊初始化。
完成後單擊確認。
DataWorks支援使用Serverless資源群組（推薦）或舊版獨享調度資源群組運行EMR任務，所以此處支援選擇Serverless資源群組或舊版獨享調度資源群組進行資源群組初始化操作。
資源群組初始化可能導致正在啟動並執行任務失敗。非必要情境（例如，叢集配置變更，需要立即重新初始化資源群組，否則會導致大量任務運行失敗），建議在業務低峰期對資源群組執行初始化操作。
後續步驟
資料開發：您可參考通用開發流程配置相關組件環境。
設定叢集身份映射：當EMR叢集預設訪問身份非hadoop帳號時，您需要配置叢集身份映射，控制操作DataWorks的RAM使用者在DataWorks僅可訪問其有許可權的資源，實現許可權管控。
設定全域YARN資源隊列：您可通過YARN資源隊列映射，指定各模組使用的YARN隊列，並支援設定是否覆蓋各模組的配置。
設定全域Spark參數：您可參考Spark官方文檔自訂全域Spark參數，並支援設定當存在同名參數時，空間級Spark參數配置是否覆蓋各模組的配置。
設定Kyuubi串連資訊：若您需使用自訂的帳號及密碼登入Kyuubi來運行相關任務，可參考該文檔自訂Kyuubi的串連資訊。