将Amazon EMR用于安装在AWS上的Greenplum数据库

Amazon Elastic MapReduce（EMR）是一个受控的集群平台，它能在Amazon Web Services（AWS）上运行大数据框架（例如Apache Hadoop和Apache Spark）来处理和分析数据。对于一个安装在Amazon Web Services（AWS）上的Greenplum数据库系统，用户可以使用gphdfs协议定义外部表来访问一个Amazon EMR实例的HDFS上的文件。

除了一次性HDFS协议安装中描述的步骤之外，用户还必须确保Greenplum数据库能访问EMR实例。如果用户的Greenplum数据库系统运行在一个Amazon弹性计算云（EC2）实例上，用户需要配置Greenplum数据库系统和EMR安全性组。

有关Amazon EMR的信息请见https://aws.amazon.com/emr/。有关Amazon EC2的信息请见https://aws.amazon.com/ec2/

配置Greenplum数据库和Amazon EMR

这些步骤描述了如何设置Greenplum数据库系统和一个Amazon EMR实例来支持Greenplum数据库的外部表：

1. 确保在Greenplum数据库的所有Segment主机上都正确地安装了合适的Java（包括JDK）和Hadoop环境。例如，Amazon EMR Release 4.0.0包括Apache Hadoop 2.6.0。这个Amazon页面描述了Amazon EMR Release 4.0.0。

有关EMR和Greenplum数据库所使用的Hadoop版本，请见表 1。

1. 确保设置了环境变量和Greenplum数据库的服务器配置参数：
   • 系统环境变量：
     • HADOOP_HOME
     • JAVA_HOME
   • Greenplum数据库服务器配置参数：
     • gp_hadoop_target_version
     • gp_hadoop_home
2. 配置Greenplum数据库和EMR实例的Hadoop Master之间的通信。例如，在AWS安全性组中打开端口8020。
3. 配置Greenplum数据库和EMR实例的Hadoop数据节点之间的通信。打开一个TCP/IP端口，这样Greenplum数据库的Segment主机能够与EMR实例的Hadoop数据节点通信。例如，在AWS安全性管理器中打开端口50010。

这个表格列出了可以被用来配置Greenplum数据库的EMR和Hadoop版本信息。

表 1. EMR Hadoop配置信息

上级主题： 使用Hadoop分布式文件系统（HDFS）表