我知道之前已经问过这个问题，但这些答案似乎围绕着Hadoop。对于Spark，你并不需要所有额外的Hadoop cruft。使用spark-ec2脚本（可通过GitHub for 2.0获得），您的环境已准备好用于Spark。是否有任何令人信服的用例（除了远远优于boto3 sdk接口）与EC2上的EMR一起运行？
答案 0 :(得分：3)
这个问题归结为托管服务的价值，恕我直言。
在本地模式下独立运行Spark只需要获取最新的Spark，解压缩，cd到bin路径然后运行spark-submit等等
但是，创建以群集模式运行的多节点群集需要您实际进行真正的网络连接，配置，调整等。这意味着您必须处理IAM角色，安全组以及子网注意事项在您的VPC中。
当您使用EMR时，您将获得一个交钥匙群集，您可以在其中单击安装许多流行的应用程序（包括火花），并且已经为节点之间的网络通信正确配置了所有安全组，您已经记录了已经设置并指向S3，你有简单的SSH指令，你已经安装了一个隧道和查看各种UI的设备，你有IO级别，节点级别和作业提交的可视化使用指标level，您还可以创建和运行Steps - 这些作业可以在驱动器节点的命令行中运行，也可以作为利用整个集群的Spark应用程序运行。然后，最重要的是，您可以导出整个群集，包括的步骤，并通过DataPipeline将CLI脚本复制粘贴到定期作业中，并在60秒内完全创建ETL管道。
如果你自己在EC2中构建它，你就不会得到任何一个。我知道我会选择哪一个...... EMR。但那只是我。