本文为您介绍在EMR on ECS控制台创建集群的详细操作步骤和相关配置。

前提条件

已完成RAM授权,详细信息请参见角色授权

操作步骤

  1. 进入集群管理页面。
    1. 登录EMR on ECS控制台
    2. 在顶部菜单栏处,根据实际情况选择地域和资源组。
      • 地域:创建的集群将会在对应的地域内,一旦创建不能修改。
      • 资源组:默认显示账号全部资源。
  2. 单击上方的创建集群
  3. 配置集群信息。
    创建集群时,您需要对集群进行软件配置、硬件配置、基础配置和确认订单。
    说明 集群创建完成后,除了集群名称以外,其他配置均无法修改,所以在创建时请仔细确认各项配置。
    1. 软件配置。
      配置项描述
      地域集群节点ECS实例所在的物理位置。
      业务场景
      说明 如果您在2022年12月19日17点(UTC+8)以后第一次创建EMR集群,则不能选择Hadoop、Data Science、Presto、Zookeeper集群类型。
      • 新版数据湖:提供更灵活、可靠、高效的管理集群,更快的运行大数据计算引擎并提供出色的数据分析能力。
        • 支持构建数据湖架构,使用JindoFS进行数据湖加速。
        • 支持OSS-HDFS(全托管HDFS)作为存储,减少您的运维成本,完全基于使用量计费。

        更多信息,请参见数据湖集群

        创建的集群类型为DataLake。

      • 数据分析:将海量数据通过导入或者外表等形式引入到OLAP分析引擎里,例如,Clickhouse、StarRocks,提供高效、实时和灵活的数据分析能力,满足用户画像、人群圈选、BI报表和业务分析等一系列的业务场景。

        创建的集群类型为OLAP。

      • 实时数据流:是EMR平台上提供的实时计算一站式解决方案,拥有分布式的、高吞吐量和高可扩展性的消息系统Kafka和基于Apache Flink官方产品Ververica提供的Flink商业内核两大组件,专注于解决实时计算端到端的各类问题、广泛应用于实时数据ETL和日志采集分析等场景,您也可以单独使用其中任一组件。

        创建的集群类型为DataFlow。

      • 数据服务
        • 提供更灵活、可靠、高效的数据服务集群。
        • 提供半托管HBase集群,同时可以基于OSS-HDFS(JindoFS服务)解耦计算集群与数据存储。
        • 支持JindoData本地缓存以进一步提高数据服务集群的读写性能。

        创建的集群类型为DataServing。

      • 更多场景 > 机器学习:主要面向大数据+AI场景。
        • 提供分布式深度学习框架。
        • 提供两百多种经典机器学习算法包。
        • 提供AutoML能力,10余种深度学习算法,覆盖推荐和广告等场景。

        创建的集群类型为Data Science。

      • 更多场景 > 数据湖:用于构建大规模数据处理框架和管道,适用于大数据分析,支持Apache Hive、Spark和Presto等开源框架。支持的集群类型如下:
        • Hadoop
          • 提供最丰富的开源组件列表,完全兼容Hadoop生态。
          • 可应用于大数据离线处理、实时处理和交互式查询等多种使用场景。
          • 支持构建数据湖架构,使用JindoFS进行数据湖加速。
        • Zookeeper:提供独立的分布式一致性锁服务,适用于大规模的Hadoop集群、HBase集群和Kafka集群。
        • Presto:是基于内存的分布式SQL交互式查询引擎。支持多种数据源,适合PB级海量数据的复杂分析,以及跨数据源的查询。
      • 更多场景 > 自定义集群:您可以根据需求选择需要的服务。
        说明 在生产环境下请不要部署多个存储服务在一个节点组上。
      产品版本默认展示最新的软件版本。
      服务高可用默认关闭。开启后,集群会有多个Master节点来支持ResourceManager和NameNode的高可用。
      可选服务根据您的实际需求选择其他的一些服务,被选中的服务会默认启动相关的服务进程。
      说明 服务越多,对机器的配置要求也越高,所以在下面的步骤中您需要根据实际的服务数量进行机器选型,否则可能没有足够的资源运行这些服务。
      元数据
      • DLF统一元数据:表示元数据存储在数据湖构建DLF中。

        选择该方式时,系统会为您选择默认的DLF数据目录,如果您不同集群期望使用不同的数据目录,请前往DLF控制台创建。

      • 自建RDS:表示使用自建的阿里云RDS作为元数据库,更多信息请参见配置自建RDS
      • 内置MySQL:表示元数据存储在集群本地环境的MySQL数据库中。
        说明 仅限在测试场景下使用该方式,生产场景建议选择前两种方式。
      Hive存储模式默认勾选,使用数据湖存储OSS-HDFS或OSS作为数据仓库的存储目录。如果取消勾选,则使用集群HDFS 作为存储目录。
      Hive数据仓库路径选择一个OSS或OSS-HDFS Bucket。推荐选择OSS-HDFS Bucket。
      说明 请确保具有访问OSS/OSS-HDFS Bucket的权限。
      高级设置
      • Kerberos身份认证:是否开启集群的Kerberos认证功能。默认不开启。
        重要 Knox和Kudu服务不支持开启Kerberos身份认证。
      • 软件自定义配置:可指定JSON文件对集群中的基础软件(例如Hadoop、Spark和Hive等)进行配置,详细使用方法请参见配置自定义软件。默认不开启。
        说明 针对Hive作业并发量的设置,请参见如何预估Hive作业并发量的上限值?
    2. 硬件配置。
      配置项说明
      付费类型默认包年包月。当前支持的付费类型如下:
      • 按量付费:一种后付费模式,即先使用再付费。按量付费是根据实际使用的小时数来支付费用,每小时计费一次,适合短期的测试任务或是灵活的动态任务。
      • 包年包月:一种预付费模式,即先付费再使用。
        说明
        • 建议测试场景下使用按量付费,测试正常后再新建一个包年包月的生产集群正式使用。
        • 包年包月实例还需选择付费时长和是否开启自动续费。默认续费时长为6个月,且开启自动续费。开启自动续费后,实例到期前7天会执行自动续费操作,详情请参见续费说明
      可用区可用区为在同一地域下的不同物理区域,可用区之间内网互通。通常使用默认的可用区即可。
      专有网络默认选择已有的专有网络。

      如需创建新的专有网络,请在专有网络控制台新创建一个,详情请参见创建和管理专有网络

      交换机选择在对应VPC下可用区的交换机,如果在这个可用区没有可用的交换机,则需要在专有网络控制台新创建一个,详情请参见创建和管理交换机
      默认安全组默认选择已有的安全组。安全组详情请参见安全组概述

      您也可以单击新建安全组,在ECS控制台新建一个安全组,详情请参见创建安全组

      重要 禁止使用ECS上创建的企业安全组。
      节点组

      您可以根据需要选择实例规格,详情请参见实例规格族

      • Master:主要负责ResourceManager和NameNode等控制进程的部署。
        • 加入部署集:开启高可用后,Master默认加入部署集。

          部署集的详细描述,请参见部署集概述

        • 系统盘:根据需要选择SSD云盘、ESSD云盘或者高效云盘。

          系统盘大小请根据需要调整。取值范围为80 ~ 5000 GiB。

        • 数据盘:根据需要选择SSD云盘、ESSD云盘或者高效云盘。

          数据盘大小请根据需要调整。取值范围为40 ~ 32768 GiB。

        • 实例数量:默认1台。如果开启高可用,可以有多台Master实例。
        • 附加安全组:附加安全组可以灵活定制不同的外部资源或应用程序之间的访问。您最多可以为该节点组关联2个附加安全组。
        • 挂载公网:集群是否挂载弹性公网IP地址,默认不开启。仅DataLake集群支持节点组级别挂载公网。
          说明 创建后如果您需要使用公网IP地址访问,请在ECS上申请开通公网IP地址,详情请参见弹性公网IP中的申请EIP的内容。
      • Core:主要负责集群所有数据的存储,创建集群完成后也支持按需进行扩容。
        • 加入部署集:默认关闭。部署集的详细描述,请参见部署集概述
        • 系统盘:根据需要选择SSD云盘、ESSD云盘或者高效云盘。

          系统盘大小请根据需要调整。取值范围为80 ~ 5000 GiB。

        • 数据盘:根据需要选择SSD云盘、ESSD云盘或者高效云盘。

          数据盘大小请根据需要调整。取值范围为40 ~ 32768 GiB。

        • 实例数量:默认2台,根据需要调整。
        • 附加安全组:附加安全组可以灵活定制不同的外部资源或应用程序之间的访问。您最多可以为该节点组关联2个附加安全组。
        • 挂载公网:集群是否挂载弹性公网IP地址,默认不开启。仅DataLake集群支持节点组级别挂载公网。
          说明 创建后如果您需要使用公网IP地址访问,请在ECS上申请开通公网IP地址,详情请参见弹性公网IP中的申请EIP的内容。
      • Task:不保存数据,调整集群的计算力使用。默认不开启,需要时可自定义配置。
    3. 基础配置。
      配置项说明
      集群名称集群的名字,长度限制为1~64个字符,仅可使用中文、字母、数字、短划线(-)和下划线(_)。
      身份凭证密钥对(默认):使用SSH密钥对登录Linux实例。

      关于密钥对的使用详情,请参见SSH密钥对

      密码:设置Master节点的登录密码,使用密码对登录Linux实例。

      密码规则:8~30个字符,且必须同时包含大写字母、小写字母、数字和特殊字符。

      特殊字符包括:感叹号(!)、at(@)、井号(#)、美元符号($)、百分号(%)、乘方(^)、and(&)和星号(*)。

      高级设置
      • ECS应用角色:当用户的程序在EMR计算节点上运行时,可不填写阿里云AccessKey来访问相关的云服务(例如OSS),EMR会自动申请一个临时AccessKey来授权本次访问。ECS应用角色用于控制这个AccessKey的权限。
      • 引导操作:可选配置,您可以在集群启动Hadoop前执行您自定义的脚本,详情请参见管理引导操作
      • 标签:可选配置,您可以在创建集群时绑定标签,也可以在集群创建完成后,在集群详情页绑定标签,详情请参见设置标签
      • 资源组:可选配置。详情请参见使用资源组
      • 数据盘加密:可选配置。仅支持在创建集群时开启该功能,详情请参见开启数据盘加密
      说明 页面右边会显示您所创建集群的配置清单以及集群费用。根据不同的付费类型,展示不同的价格信息。
  4. 当所有的信息确认正确后,选中服务协议,单击确认订单
    重要
    • 按量付费集群:立刻开始创建。

      集群创建完成后,集群的状态变为运行中

    • 包年包月集群:先生成订单,支付完成订单以后集群才会开始创建。