As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Práticas recomendadas de observabilidade do EMR
<a name="emr-metrics-observability"></a>

O EMR Observability engloba uma abordagem abrangente de monitoramento e gerenciamento para clusters do EMR. AWS A base está na Amazon CloudWatch como principal serviço de monitoramento, complementado pelo EMR Studio e por ferramentas de terceiros, como Prometheus e Grafana, para maior visibilidade. Neste documento, exploramos aspectos específicos da observabilidade do cluster:

1. *[Observabilidade do Spark](https://github.com/aws/aws-emr-best-practices/blob/main/website/docs/bestpractices/Applications/Spark/observability.md)* (GitHub) — Com relação à interface de usuário do Spark, você tem três opções no Amazon EMR.

1. Solução de *[problemas do Spark](https://github.com/aws/aws-emr-best-practices/blob/main/website/docs/bestpractices/Applications/Spark/troubleshooting.md)* (GitHub) — Resoluções para erros.

1. Monitoramento de *[cluster do EMR (GitHub) — Monitorando](https://aws.github.io/aws-emr-best-practices/docs/bestpractices/Observability/best_practices/)* o desempenho do cluster.

1. *[Solução de problemas do EMR](https://github.com/aws/aws-emr-best-practices/blob/main/website/docs/bestpractices/Troubleshooting/Troubleshooting%20EMR.md)* (GitHub) — identifique, diagnostique e resolva problemas comuns do cluster EMR.

1. *[Otimização de custos](https://github.com/aws/aws-emr-best-practices/blob/main/website/docs/bestpractices/Cost%20Optimizations/best_practices.md)* (GitHub) — Esta seção descreve as melhores práticas para executar cargas de trabalho econômicas.

## Ferramenta de otimização de performance para aplicações Apache Spark
<a name="performance-optimization"></a>

1. AWS A ferramenta [EMR Advisor](https://github.com/aws-samples/aws-emr-advisor) analisa os registros de eventos do Spark para fornecer recomendações personalizadas para otimizar as configurações do cluster EMR, aprimorar o desempenho e reduzir custos. Ao aproveitar dados históricos, ela sugere tamanhos de executores e configurações de infraestrutura ideais, possibilitando a utilização mais eficiente dos recursos e a melhor performance geral do cluster.

1. A ferramenta [Amazon CodeGuru Profiler](https://github.com/amzn/amazon-codeguru-profiler-for-spark) ajuda os desenvolvedores a identificar gargalos de desempenho e ineficiências em seus aplicativos Spark coletando e analisando dados de tempo de execução. A ferramenta se integra perfeitamente aos aplicativos Spark existentes, exigindo configuração mínima, e fornece informações detalhadas por meio do AWS console sobre o uso da CPU, padrões de memória e pontos críticos de desempenho.