创建EMR Shell节点的操作步骤 - 大数据开发治理平台 DataWorks

为了满足特定业务需求，您可以在DataWorks中创建EMR Shell节点。通过编辑自定义Shell脚本，对数据处理、调用Hadoop组件、操作文件等高级功能进行使用。本文介绍了在DataWorks里配置和使用EMR Shell节点，以便您编辑和运行Shell任务。

前提条件

已创建阿里云EMR集群，并注册EMR集群至DataWorks。操作详情请参见注册EMR集群至DataWorks。
（可选，RAM账号需要）进行任务开发的RAM账号已被添加至对应工作空间中，并具有开发或空间管理员（权限较大，谨慎添加）角色权限，添加成员的操作详情请参见为工作空间添加空间成员。
已购买Serverless资源组并完成资源组配置，包括绑定工作空间、网络配置等，详情请参见新增和使用Serverless资源组。
数据开发（DataStudio）中已创建业务流程。
数据开发（DataStudio）基于业务流程对不同开发引擎进行具体开发操作，所以您创建节点前需要先新建业务流程，操作详情请参见创建业务流程。
在DataWorks资源组本地运行Python脚本时，代码需要调用第三方包，需要根据任务使用的资源组不同，采用不同方式在资源组上准备第三方包环境：
- Serverless资源组（推荐）：通过镜像管理安装第三方包，详情请参见镜像管理。
- 独享调度资源组：通过运维助手安装第三方包，详情请参见运维助手。

使用限制

仅支持使用Serverless资源组（推荐）或独享调度资源组运行该类型任务。
DataLake或自定义集群若要在DataWorks管理元数据，需先在集群侧配置EMR-HOOK。若未配置，则无法在DataWorks中实时展示元数据、生成审计日志、展示血缘关系、开展EMR相关治理任务。配置EMR-HOOK，详情请参见配置Hive的EMR-HOOK。
spark-submit方式提交的任务，deploy-mode推荐使用cluster模式，不建议使用client模式。
EMR Shell节点是运行在DataWorks调度资源组，而非EMR集群的，您可以使用一些EMR组件命令，但无法直接读取EMR上资源情况。如果要引用资源，则需要先上传DataWorks资源。详情请参见上传EMR资源。

步骤一：创建EMR Shell节点

进入数据开发页面。
登录DataWorks控制台，切换至目标地域后，单击左侧导航栏的数据开发与治理 > 数据开发，在下拉框中选择对应工作空间后单击进入数据开发。
新建EMR Shell节点。
1. 右键单击目标业务流程，选择新建节点 > EMR > EMR Shell。
  说明
  您也可以鼠标悬停至新建，选择新建节点 > EMR > EMR Shell。
2. 在新建节点对话框中，输入名称，并选择引擎实例、节点类型及路径。单击确认，进入EMR Shell节点编辑页面。
  说明
  节点名称支持大小写字母、中文、数字、下划线（_）和小数点（.）。

步骤二：开发EMR Shell任务

在EMR Shell节点编辑页面双击已创建的节点，您可以根据不同场景需求选择适合您的操作方案：

（推荐）先从本地上传资源至DataStudio，再引用资源，详情请参见方案一：先上传资源后引用EMR JAR资源。
使用OSS REF方式引用OSS资源，详情请参见方案二：直接引用OSS资源。

方案一：先上传资源后引用EMR JAR资源

DataWorks也支持您从本地先上传资源至DataStudio，再引用资源。如果您使用的是DataLake（新版数据湖）集群，则可通过如下步骤引用EMR JAR资源，若EMR Shell节点依赖的资源较大，则无法通过DataWorks页面上传。您可将资源存放至HDFS上，然后在代码中进行引用。

创建EMR JAR资源。
创建EMR JAR资源，详情请参见创建和使用EMR资源。示例将本文《准备初始数据及JAR资源包》中生成的JAR包存储在JAR资源的存放目录emr/jars下。首次使用需要选择一键授权，然后单击点击上传按钮，上传JAR资源。
引用EMR JAR资源。
1. 打开创建的EMR Shell节点，停留在代码编辑页面。
2. 在EMR > 资源节点下，找到待引用资源（示例为onaliyun_mr_wordcount-1.0-SNAPSHOT.jar），右键选择引用资源。
3. 选择引用后，当EMR Shell节点的代码编辑页面显示##@resource_reference{""}格式的语句，表明已成功引用代码资源。此时，需要执行下述命令。如下命令涉及的资源包、Bucket名称、路径信息等为本文示例的内容，使用时，您需要替换为实际使用的信息。
```
##@resource_reference{"onaliyun_mr_wordcount-1.0-SNAPSHOT.jar"}
onaliyun_mr_wordcount-1.0-SNAPSHOT.jar cn.apache.hadoop.onaliyun.examples.EmrWordCount oss://onaliyun-bucket-2/emr/datas/wordcount02/inputs oss://onaliyun-bucket-2/emr/datas/wordcount02/outputs
```
  说明
  EMR Shell节点编辑代码时不支持注释语句。

方案二：直接引用OSS资源

当前节点可通过OSS REF的方式直接引用OSS资源，在运行EMR节点时，DataWorks会自动加载代码中的OSS资源至本地使用。该方式常用于“需要在EMR任务中运行JAR依赖”、“EMR任务需依赖脚本”等场景。引用格式如下：

ossref://{endpoint}/{bucket}/{object}

endpoint：OSS对外服务的访问域名。Endpoint为空时，仅支持使用与当前访问的EMR集群同地域的OSS，即OSS的Bucket需要与EMR集群所在地域相同。
Bucket：OSS用于存储对象的容器，每一个Bucket有唯一的名称，登录OSS管理控制台，可查看当前登录账号下所有Bucket。
object：存储在Bucket中的一个具体的对象（文件名称或路径）。

使用示例

在OSS Bucket中上传示例文件。本文以emr_shell_test.sh为例，示例文件内容如下：
```
#!/bin/sh
echo "Hello, DataWorks!"
```

在EMR Shell节点中直接引用OSS资源。

sh ossref://oss-cn-shanghai.aliyuncs.com/test-oss-of-dataworks/emr_shell_test.sh

说明

oss-cn-shanghai.aliyuncs.com为endpoint，test-oss-of-dataworks为Bucket名称，emr_shell_test.sh为object文件名。

运行结果如下，即可看到emr_shell_test.sh文件的输出结果：

...
>>> [2024-10-24 15:46:01][INFO   ][CommandExecutor       ]: Process ready to execute. command: sh ./emr_shell_test.sh
>>> [2024-10-24 15:46:01][INFO   ][CommandExecutor       ]: Command state update to RUNNING
>>> [2024-10-24 15:46:01][INFO   ][CommandExecutor       ]: Process start to execute...
Process Output>>> Hello, DataWorks!
...

配置EMR Shell调度参数

在SQL编辑区域开发任务代码，您可在代码中使用${变量名}的方式定义变量，并在节点编辑页面右侧导航栏的调度配置>调度参数中为该变量赋值。实现调度场景下代码的动态传参，调度参数使用详情，请参考调度参数支持的格式，示例如下。

DD=`date`;
echo "hello world, $DD"
##可以结合调度参数使用
echo ${var};

说明

如果您使用的是DataLake（新版数据湖）集群，则还支持如下命令行。

Shell命令：/usr/bin及/bin下的Shell命令。例如，ls、echo等。
Yarn组件：hadoop、hdfs、yarn。
Spark组件：spark-submit。
Sqoop组件：sqoop-export、sqoop-import、sqoop-import-all-tables等。

使用该组件时，您需要在RDS白名单中添加资源组的IP信息。

执行SQL任务

在工具栏单击图标，在参数对话框选择已创建的调度资源组，单击运行。
说明
- 访问公共网络或VPC网络环境的数据源需要使用与数据源测试连通性成功的调度资源组。详情请参见网络连通方案。
- 如果您后续执行任务需要修改使用的资源组，您可单击带参运行图标，选择需要更换的调度资源组。
单击图标，保存编写的SQL语句。
（可选）冒烟测试。
如果您希望在开发环境进行冒烟测试，可在执行节点提交或节点提交后执行冒烟测试，操作详情请参见执行冒烟测试。

步骤三：配置节点调度

如您需要周期性执行创建的节点任务，可单击节点编辑页面右侧的调度配置，根据业务需求配置该节点任务的调度信息。配置详情请参见任务调度属性配置概述。

说明

您需要设置节点的重跑属性和依赖的上游节点，才可以提交节点。

步骤四：发布节点任务

节点任务配置完成后，需执行提交发布操作，提交发布后节点即会根据调度配置内容进行周期性运行。

单击工具栏中的图标，保存节点。
单击工具栏中的图标，提交节点任务。
提交时需在提交对话框中输入变更描述，并根据需要选择是否在节点提交后执行代码评审。
说明
- 您需设置节点的重跑属性和依赖的上游节点，才可提交节点。
- 代码评审可对任务的代码质量进行把控，防止由于任务代码有误，未经审核直接发布上线后出现任务报错。如进行代码评审，则提交的节点代码必须通过评审人员的审核才可发布，详情请参见代码评审。

如您使用的是标准模式的工作空间，任务提交成功后，需单击节点编辑页面右上方的发布，将该任务发布至生产环境执行，操作请参见发布任务。

后续步骤

任务提交发布后，会基于节点的配置周期性运行，您可单击节点编辑界面右上角的运维，进入运维中心查看周期任务的调度运行情况。详情请参见查看并管理周期任务。

大数据开发治理平台 DataWorks：创建EMR Shell节点