python - mrjob:在 EMR 上设置日志记录

Question

我正在尝试使用 mrjob 在 EMR 上运行 hadoop，但不知道如何设置日志记录(用户在 map/reduce 步骤中生成的日志)，因此我将能够在集群终止后访问它们。

我尝试使用 logging 模块、print 和 sys.stderr.write() 来设置日志记录，但到目前为止还没有成功。对我有用的唯一选择是将日志写入文件，然后 SSH 机器并读取它，但它很麻烦。我希望我的日志转到 stderr/stdout/syslog 并自动收集到 S3，这样我就可以在集群终止后查看它们。

这是带有日志记录的 word_freq 示例:

"""The classic MapReduce job: count the frequency of words.
"""
from mrjob.job import MRJob
import re
import logging
import logging.handlers
import sys

WORD_RE = re.compile(r"[\w']+")


class MRWordFreqCount(MRJob):

    def mapper_init(self):
        self.logger = logging.getLogger()
        self.logger.setLevel(logging.INFO)
        self.logger.addHandler(logging.FileHandler("/tmp/mr.log"))
        self.logger.addHandler(logging.StreamHandler())
        self.logger.addHandler(logging.StreamHandler(sys.stdout))
        self.logger.addHandler(logging.handlers.SysLogHandler())

    def mapper(self, _, line):
        self.logger.info("Test logging: %s", line)
        sys.stderr.write("Test stderr: %s\n" % line)
        print "Test print: %s" % line
        for word in WORD_RE.findall(line):
            yield (word.lower(), 1)

    def combiner(self, word, counts):
        yield (word, sum(counts))

    def reducer(self, word, counts):
        yield (word, sum(counts))


if __name__ == '__main__':
    MRWordFreqCount.run()

Answer 1

在所有选项中，唯一真正有效的是使用直接写入的 stderr (sys.stderr.write) 或使用带有 StreamHandler 的记录器到 stderr。

作业完成后(成功或出错)可以从以下位置检索日志:

[s3_log_uri]/[jobflow-id]/task-attempts/[job-id]/[attempt-id]/stderr

请务必将日志保存在您的 runners.emr.cleanup 配置中。