AWS EMR性能HDFS与S3

Question

在大数据中，代码被推向数据以供执行。这是有道理的，因为数据很大并且执行代码相对较小。来到AWS EMR，数据可以是HDFS，也可以是S3。在S3的情况下，必须将数据拉到核心/任务节点以便从一些其他节点执行。与HDFS中的数据相比，这可能有点开销。

最近，我注意到当MR作业执行时，将日志文件导入S3的时间很长。有时，即使在作业完成后，日志文件也会花费几分钟时间显示。

有什么想法吗？是否有人使用HDFS与S3中的数据来完成MR作业完成的指标？

Answer 1

这在不同的层面上存在问题。

S3只具有最终的一致性。在写入过程被延迟之后，您的代码（例如close()或flush()）写入内容后，您不会立即看到/可以阅读。我认为这可能是由于为您编写的数据分配了免费资源。所以这不是性能问题，而是你真正想要/需要的一致性问题。

我该怎么做EMR？我启动了一个Hadoop集群，并将所有内容都放入了HDFS所需的工作。在S3上读取时间要贵得多，并且最终的一致性使得在作业之间缓冲项目基本无用。

但是，从HDFS备份文件或将其用于其他实例或服务（例如CloudFront）时，S3非常棒。

Answer 2

在性能方面，HDFS优于S3

如果您的需求是长期的，需要高性能并且您想要执行迭代机器学习算法，HDFS会更好

如果您的负载是可变的，需要高耐久性和持久性而成本较低，S3会更好。

Answer 3

如果要终止EMR集群，则必须使用S3，因为一旦终止集群，HDFS数据将被删除。