中国（宁夏）区域
Amazon EC2 和 Amazon EMR 定价
Amazon EC2 和 Amazon EMR 定价
对于 Amazon EMR，您只需按实际使用量付费。Amazon EMR 定价是 EC2 和 S3 定价之外另行收取的。我们的成本较低时收费也较低，您的费用将取决于您的作业流上 Amazon EC2 实例的数量和类型，以及其运行的时间。
实例类型 |
Amazon EC2 价格（每小时） |
Amazon EMR 价格（每小时） |
通用 - 最新一代 |
||
m5.xlarge |
¥1.356 |
¥0.318 |
m5.2xlarge |
¥2.711 |
¥0.637 |
m5.4xlarge |
¥5.422 |
¥1.275 |
m5.8xlarge |
¥10.844 |
¥1.793 |
m5.12xlarge |
¥16.266 |
¥1.793 |
m5.16xlarge |
¥21.688 |
¥1.793 |
m5.24xlarge |
¥32.532 |
¥1.793 |
m5a.xlarge |
¥1.219 |
¥0.286 |
m5a.2xlarge |
¥2.437 |
¥0.572 |
m5a.4xlarge |
¥4.874 |
¥1.143 |
m5a.8xlarge |
¥9.749 |
¥1.793 |
m5a.12xlarge |
¥14.623 |
¥1.793 |
m5a.16xlarge |
¥19.497 |
¥1.793 |
m5a.24xlarge |
¥29.246 |
¥1.793 |
m5d.xlarge |
¥1.657 |
¥0.378 |
m5d.2xlarge |
¥3.313 |
¥0.75 |
m5d.4xlarge |
¥6.627 |
¥1.5 |
m5d.8xlarge |
¥13.254 |
¥1.793 |
m5d.12xlarge |
¥19.881 |
¥1.793 |
m5d.16xlarge |
¥26.508 |
¥1.793 |
m5d.24xlarge |
¥39.762 |
¥1.793 |
m6g.xlarge |
¥1.0762 |
¥0.259 |
m6g.2xlarge |
¥2.1524 |
¥0.511 |
m6g.4xlarge |
¥4.3048 |
¥1.023 |
m6g.8xlarge |
¥8.6095 |
¥2.045 |
m6g.12xlarge |
¥12.9143 |
¥3.068 |
m6g.16xlarge |
¥17.2191 |
¥4.09 |
m7g.xlarge |
¥1.0762 |
¥0.270912 |
m7g.2xlarge |
¥2.1524 |
¥0.541824 |
m7g.4xlarge |
¥4.3048 |
¥1.083648 |
m7g.8xlarge |
¥8.6095 |
¥2.167296 |
m7g.12xlarge |
¥12.9143 |
¥3.250944 |
m7g.16xlarge |
¥17.2191 |
¥4.334592 |
m8g.xlarge |
¥1.07619 |
¥0.2980032 |
m8g.2xlarge |
¥2.15238 |
¥0.5960064 |
m8g.4xlarge |
¥4.30476 |
¥1.1920128 |
m8g.8xlarge |
¥8.60953 |
¥2.3840256 |
m8g.12xlarge |
¥12.91429 |
¥3.5760384 |
m8g.16xlarge |
¥17.21906 |
¥4.7680512 |
m8g.24xlarge |
¥25.82859 |
¥7.1520768 |
m8g.48xlarge |
¥51.65718 |
¥14.3041536 |
通用 – 上一代 |
||
m4.large |
¥0.8078 |
¥0.187 |
m4.xlarge |
¥1.6157 |
¥0.372 |
m4.2xlarge |
¥3.2313 |
¥0.745 |
m4.4xlarge |
¥6.4626 |
¥1.49 |
m4.10xlarge |
¥16.1566 |
¥1.68 |
m4.16xlarge |
¥25.8505 |
¥1.68 |
m6i.xlarge |
¥1.35551 |
¥0.31872 |
m6i.2xlarge |
¥2.71102 |
¥0.63744 |
m6i.4xlarge |
¥5.42203 |
¥1.27488 |
m6i.8xlarge |
¥10.84406 |
¥2.54976 |
m6i.12xlarge |
¥16.2661 |
¥3.82464 |
m6i.16xlarge |
¥21.68813 |
¥5.09952 |
m6i.24xlarge |
¥32.53219 |
¥7.64928 |
m6i.32xlarge |
¥43.37626 |
¥10.19904 |
计算优化型 – 最新一代 |
||
c5.xlarge |
¥0.986 |
¥0.283 |
c5.2xlarge |
¥1.972 |
¥0.565 |
c5.4xlarge |
¥3.943 |
¥1.129 |
c5.9xlarge |
¥8.872 |
¥1.793 |
c5.12xlarge |
¥11.83 |
¥1.793 |
c5.18xlarge |
¥17.745 |
¥1.793 |
c5.24xlarge |
¥23.66 |
¥1.793 |
c5a.xlarge |
¥0.89 |
¥0.25564 |
c5a.2xlarge |
¥1.78 |
¥0.51128 |
c5a.4xlarge |
¥3.56 |
¥1.02256 |
c5a.8xlarge |
¥7.12 |
¥1.793 |
c5a.12xlarge |
¥10.68 |
¥1.793 |
c5a.16xlarge |
¥14.24 |
¥1.793 |
c5a.24xlarge |
¥21.36 |
¥1.793 |
c5d.xlarge |
¥1.191 |
¥0.319 |
c5d.2xlarge |
¥2.382 |
¥0.638 |
c5d.4xlarge |
¥4.765 |
¥1.275 |
c5d.9xlarge |
¥10.721 |
¥1.793 |
c5d.18xlarge |
¥21.442 |
¥1.793 |
c6g.xlarge |
¥0.7832 |
¥0.226 |
c6g.2xlarge |
¥1.5664 |
¥0.452 |
c6g.4xlarge |
¥3.1327 |
¥0.903 |
c6g.8xlarge |
¥6.2655 |
¥1.806 |
c6g.12xlarge |
¥9.3982 |
¥2.709 |
c6g.16xlarge |
¥12.5309 |
¥3.612 |
c6gd.xlarge |
¥0.953 |
¥0.254976 |
c6gd.2xlarge |
¥1.9059 |
¥0.509952 |
c6gd.4xlarge |
¥3.8119 |
¥1.019904 |
c6gd.8xlarge |
¥7.6237 |
¥2.039808 |
c6gd.12xlarge |
¥11.4356 |
¥3.059712 |
c6gd.16xlarge |
¥15.2474 |
¥4.079616 |
c6i.xlarge |
¥0.98582 |
¥0.2822 |
c6i.2xlarge |
¥1.97165 |
¥0.5644 |
c6i.4xlarge |
¥3.9433 |
¥1.1288 |
c6i.8xlarge |
¥7.88659 |
¥2.2576 |
c6i.12xlarge |
¥11.82989 |
¥3.3864 |
c6i.16xlarge |
¥15.77318 |
¥4.5152 |
c6i.24xlarge |
¥23.65978 |
¥6.7728 |
c6i.32xlarge |
¥31.54637 |
¥9.0304 |
c6in.xlarge |
¥1.77448 |
¥0.376488 |
c6in.2xlarge |
¥3.54897 |
¥0.752976 |
c6in.4xlarge |
¥7.09793 |
¥1.505952 |
c6in.8xlarge |
¥14.19587 |
¥3.011904 |
c6in.12xlarge |
¥21.2938 |
¥4.517856 |
c6in.16xlarge |
¥28.39173 |
¥6.023808 |
c6in.24xlarge |
¥42.5876 |
¥9.035712 |
c6in.32xlarge |
¥56.78346 |
¥12.047616 |
c7g.xlarge |
¥0.7832 |
¥0.2407 |
c7g.2xlarge |
¥1.5664 |
¥0.4814 |
c7g.4xlarge |
¥3.1327 |
¥0.9628 |
c7g.8xlarge |
¥6.2655 |
¥1.9256 |
c7g.12xlarge |
¥9.3982 |
¥2.8884 |
c7g.16xlarge |
¥12.5309 |
¥3.8512 |
c8g.xlarge |
¥0.78318 |
¥0.2648032 |
c8g.2xlarge |
¥1.56636 |
¥0.5296064 |
c8g.4xlarge |
¥3.13273 |
¥1.0592128 |
c8g.8xlarge |
¥6.26546 |
¥2.1184256 |
c8g.12xlarge |
¥9.39819 |
¥3.1776384 |
c8g.16xlarge |
¥12.53092 |
¥4.2368512 |
c8g.24xlarge |
¥18.79638 |
¥6.3552768 |
c8g.48xlarge |
¥37.59276 |
¥12.7105536 |
计算优化型 – 上一代 |
||
c4.large |
¥0.678 |
¥0.164 |
c4.xlarge |
¥1.356 |
¥0.325 |
c4.2xlarge |
¥2.711 |
¥0.652 |
c4.4xlarge |
¥5.422 |
¥1.304 |
c4.8xlarge |
¥10.844 |
¥1.68 |
c6gn.xlarge |
¥0.99513 |
¥0.286848 |
c6gn.2xlarge |
¥1.99027 |
¥0.573696 |
c6gn.4xlarge |
¥3.98054 |
¥1.147392 |
c6gn.8xlarge |
¥7.96108 |
¥2.294784 |
c6gn.12xlarge |
¥11.94161 |
¥3.442176 |
c6gn.16xlarge |
¥15.92215 |
¥4.589568 |
内存优化型 – 最新一代 |
||
r5.xlarge |
¥1.766 |
¥0.419 |
r5.2xlarge |
¥3.533 |
¥0.837 |
r5.4xlarge |
¥7.065 |
¥1.674 |
r5.8xlarge |
¥14.13 |
¥1.793 |
r5.12xlarge |
¥21.195 |
¥1.793 |
r5.16xlarge |
¥28.26 |
¥1.793 |
r5.24xlarge |
¥42.39 |
¥1.793 |
r5a.xlarge |
¥1.59 |
¥0.378 |
r5a.2xlarge |
¥3.179 |
¥0.75 |
r5a.4xlarge |
¥6.359 |
¥1.501 |
r5a.8xlarge |
¥12.717 |
¥1.793 |
r5a.12xlarge |
¥19.076 |
¥1.793 |
r5a.16xlarge |
¥25.434 |
¥1.793 |
r5a.24xlarge |
¥38.151 |
¥1.793 |
r5d.xlarge |
¥2.067 |
¥0.479 |
r5d.2xlarge |
¥4.135 |
¥0.957 |
r5d.4xlarge |
¥8.27 |
¥1.793 |
r5d.8xlarge |
¥16.54 |
¥1.793 |
r5d.12xlarge |
¥24.81 |
¥1.793 |
r5d.16xlarge |
¥33.08 |
¥1.793 |
r5d.24xlarge |
¥49.62 |
¥1.793 |
r6g.xlarge |
¥1.4021 |
¥0.335 |
r6g.2xlarge |
¥2.8041 |
¥0.669 |
r6g.4xlarge |
¥5.6082 |
¥1.339 |
r6g.8xlarge |
¥11.2165 |
¥2.677 |
r6g.12xlarge |
¥16.8247 |
¥4.016 |
r6g.16xlarge |
¥22.433 |
¥5.354 |
r6gd.xlarge |
¥1.654 |
¥0.382464 |
r6gd.2xlarge |
¥3.308 |
¥0.764928 |
r6gd.4xlarge |
¥6.616 |
¥1.529856 |
r6gd.8xlarge |
¥13.2319 |
¥3.059712 |
r6gd.12xlarge |
¥19.8479 |
¥4.589568 |
r6gd.16xlarge |
¥26.4639 |
¥6.119424 |
r7g.xlarge |
¥1.4021 |
¥0.355572 |
r7g.2xlarge |
¥2.8041 |
¥0.711144 |
r7g.4xlarge |
¥5.6082 |
¥1.422288 |
r7g.8xlarge |
¥11.2165 |
¥2.844576 |
r7g.12xlarge |
¥16.8247 |
¥4.266864 |
r7g.16xlarge |
¥22.433 |
¥5.689152 |
r8g.xlarge |
¥1.40206 |
¥0.3911624 |
r8g.2xlarge |
¥2.80412 |
¥0.7823248 |
r8g.4xlarge |
¥5.60824 |
¥1.5646496 |
r8g.8xlarge |
¥11.21649 |
¥3.1292992 |
r8g.12xlarge |
¥16.82473 |
¥4.6939488 |
r8g.16xlarge |
¥22.43297 |
¥6.2585984 |
r8g.24xlarge |
¥33.64946 |
¥9.3878976 |
r8g.48xlarge |
¥67.29892 |
¥18.7757952 |
x1.16xlarge |
¥46.147 |
¥11.07054 |
x1.32xlarge |
¥92.294 |
¥22.14108 |
x2idn.16xlarge |
¥46.14204 |
¥11.07054 |
x2idn.24xlarge |
¥69.21306 |
¥16.60581 |
x2idn.32xlarge |
¥92.28408 |
¥22.14108 |
x2iedn.xlarge |
¥5.76776 |
¥1.3838258 |
x2iedn.2xlarge |
¥11.53551 |
¥2.767635 |
x2iedn.4xlarge |
¥23.07102 |
¥5.53527 |
x2iedn.8xlarge |
¥46.14204 |
¥11.07054 |
x2iedn.16xlarge |
¥92.28408 |
¥22.14108 |
x2iedn.24xlarge |
¥138.42612 |
¥33.21162 |
x2iedn.32xlarge |
¥184.56816 |
¥44.28216 |
z1d.xlarge |
¥2.684 |
¥0.618 |
z1d.2xlarge |
¥5.367 |
¥1.235 |
z1d.3xlarge |
¥8.051 |
¥1.793 |
z1d.6xlarge |
¥16.102 |
¥1.793 |
z1d.12xlarge |
¥32.204 |
¥1.793 |
内存优化型 – 上一代 |
||
r4.xlarge |
¥2.6289 |
¥0.417 |
r4.2xlarge |
¥5.2577 |
¥0.828 |
r4.4xlarge |
¥10.5155 |
¥1.655 |
r4.8xlarge |
¥21.0309 |
¥1.68 |
r4.16xlarge |
¥42.0618 |
¥1.68 |
r6i.xlarge |
¥1.76627 |
¥0.41832 |
r6i.2xlarge |
¥3.53254 |
¥0.83664 |
r6i.4xlarge |
¥7.06507 |
¥1.67328 |
r6i.8xlarge |
¥14.13014 |
¥3.34656 |
r6i.12xlarge |
¥21.19522 |
¥5.01984 |
r6i.16xlarge |
¥28.26029 |
¥6.69312 |
r6i.24xlarge |
¥42.39043 |
¥10.03968 |
r6i.32xlarge |
¥56.52058 |
¥13.38624 |
存储优化型 – 最新一代 |
||
i3.xlarge |
¥2.341 |
¥0.518 |
i3.2xlarge |
¥4.683 |
¥1.036 |
i3.4xlarge |
¥9.365 |
¥1.793 |
i3.8xlarge |
¥18.731 |
¥1.793 |
i3.16xlarge |
¥37.461 |
¥1.793 |
i3en.xlarge |
¥3.382 |
¥0.75032 |
i3en.2xlarge |
¥6.764 |
¥1.50064 |
i3en.3xlarge |
¥10.146 |
¥1.793 |
i3en.6xlarge |
¥20.292 |
¥1.793 |
i3en.12xlarge |
¥40.583 |
¥1.793 |
i3en.24xlarge |
¥81.166 |
¥1.793 |
i4i.xlarge |
¥2.728 |
¥0.56938 |
i4i.2xlarge |
¥5.457 |
¥1.13876 |
i4i.4xlarge |
¥10.914 |
¥2.27918 |
i4i.8xlarge |
¥21.827 |
¥4.55836 |
i4i.12xlarge |
¥32.741 |
¥6.83588 |
i4i.16xlarge |
¥43.654 |
¥9.11506 |
i4i.24xlarge |
¥65.48172 |
¥13.673088 |
i4i.32xlarge |
¥87.30895 |
¥18.230784 |
存储优化型 – 上一代 |
||
d2.xlarge |
¥5.401 |
¥1.077 |
d2.2xlarge |
¥10.803 |
¥1.68 |
d2.4xlarge |
¥21.606 |
¥1.68 |
d2.8xlarge |
¥43.212 |
¥1.68 |
从集群启动到集群终止，按秒计费，最少为一分钟。
Amazon EMR 其他定价详情
Amazon S3 是单独计费的。（许多客户将其输入和输出数据存储在 S3 中；其他客户将所有数据本地存储在 HDFS 上。） 您存储的数据越多，每 GB 数据的月费就越低。
中国（北京）区域
Amazon EC2 和 Amazon EMR 定价
对于 Amazon EMR，您只需按实际使用量付费。Amazon EMR 定价是 EC2 和 S3 定价之外另行收取的。我们的成本较低时收费也较低，您的费用将取决于您的作业流上 Amazon EC2 实例的数量和类型，以及其运行的时间。
实例类型 |
Amazon EC2 价格（每小时） |
Amazon EMR 价格（每小时） |
通用 - 最新一代 |
||
m5.xlarge |
¥2.026 |
¥0.318 |
m5.2xlarge |
¥4.053 |
¥0.637 |
m5.4xlarge |
¥8.106 |
¥1.275 |
m5.8xlarge |
¥16.211 |
¥1.793 |
m5.12xlarge |
¥24.317 |
¥1.793 |
m5.16xlarge |
¥32.423 |
¥1.793 |
m5.24xlarge |
¥48.634 |
¥1.793 |
m5a.xlarge |
¥1.821 |
¥0.286 |
m5a.2xlarge |
¥3.642 |
¥0.572 |
m5a.4xlarge |
¥7.284 |
¥1.143 |
m5a.8xlarge |
¥14.568 |
¥1.793 |
m5a.12xlarge |
¥21.852 |
¥1.793 |
m5a.16xlarge |
¥29.137 |
¥1.793 |
m5a.24xlarge |
¥43.705 |
¥1.793 |
m5d.xlarge |
¥2.547 |
¥0.378 |
m5d.2xlarge |
¥5.093 |
¥0.75 |
m5d.4xlarge |
¥10.187 |
¥1.5 |
m5d.8xlarge |
¥20.374 |
¥1.793 |
m5d.12xlarge |
¥30.561 |
¥1.793 |
m5d.16xlarge |
¥40.747 |
¥1.793 |
m5d.24xlarge |
¥61.121 |
¥1.793 |
m6g.xlarge |
¥1.6074 |
¥0.259 |
m6g.2xlarge |
¥3.2149 |
¥0.511 |
m6g.4xlarge |
¥6.4298 |
¥1.023 |
m6g.8xlarge |
¥12.8595 |
¥2.045 |
m6g.12xlarge |
¥19.2893 |
¥3.068 |
m6g.16xlarge |
¥25.7191 |
¥4.09 |
m7g.xlarge |
¥1.7225 |
¥0.270912 |
m7g.2xlarge |
¥3.4449 |
¥0.541824 |
m7g.4xlarge |
¥6.8898 |
¥1.083648 |
m7g.8xlarge |
¥13.7796 |
¥2.167296 |
m7g.12xlarge |
¥20.6694 |
¥3.250944 |
m7g.16xlarge |
¥27.5593 |
¥4.334592 |
m8g.xlarge |
¥1.72245 |
¥0.2980032 |
m8g.2xlarge |
¥3.44491 |
¥0.5960064 |
m8g.4xlarge |
¥6.88981 |
¥1.1920128 |
m8g.8xlarge |
¥13.77963 |
¥2.3840256 |
m8g.12xlarge |
¥20.66944 |
¥3.5760384 |
m8g.16xlarge |
¥27.55926 |
¥4.7680512 |
m8g.24xlarge |
¥41.33889 |
¥7.1520768 |
m8g.48xlarge |
¥82.67777 |
¥14.3041536 |
通用 – 上一代 |
||
m1.small |
¥0.442 |
¥0.069 |
m3.xlarge |
¥3.471 |
¥0.436 |
m3.2xlarge |
¥6.942 |
¥0.871 |
m4.large |
¥1.405 |
¥0.187 |
m4.xlarge |
¥2.815 |
¥0.372 |
m4.2xlarge |
¥5.624 |
¥0.745 |
m4.4xlarge |
¥11.248 |
¥1.49 |
m4.10xlarge |
¥28.121 |
¥1.68 |
m4.16xlarge |
¥44.995 |
¥1.793 |
m6i.xlarge |
¥2.02642 |
¥0.31872 |
m6i.2xlarge |
¥4.05283 |
¥0.63744 |
m6i.4xlarge |
¥8.10566 |
¥1.27488 |
m6i.8xlarge |
¥16.21133 |
¥2.54976 |
m6i.12xlarge |
¥24.31699 |
¥3.82464 |
m6i.16xlarge |
¥32.42266 |
¥5.09952 |
m6i.24xlarge |
¥48.63398 |
¥7.64928 |
m6i.32xlarge |
¥64.84531 |
¥10.19904 |
计算优化型 – 最新一代 |
||
c5.xlarge |
¥1.479 |
¥0.283 |
c5.2xlarge |
¥2.957 |
¥0.565 |
c5.4xlarge |
¥5.915 |
¥1.129 |
c5.9xlarge |
¥13.309 |
¥1.793 |
c5.12xlarge |
¥17.745 |
¥1.793 |
c5.18xlarge |
¥26.617 |
¥1.793 |
c5.24xlarge |
¥35.49 |
¥1.793 |
c5a.xlarge |
¥1.328 |
¥0.25564 |
c5a.2xlarge |
¥2.656 |
¥0.51128 |
c5a.4xlarge |
¥5.312 |
¥1.02256 |
c5a.8xlarge |
¥10.625 |
¥1.793 |
c5a.12xlarge |
¥15.937 |
¥1.793 |
c5a.16xlarge |
¥21.25 |
¥1.793 |
c5a.24xlarge |
¥31.875 |
¥1.793 |
c5d.xlarge |
¥1.821 |
¥0.319 |
c5d.2xlarge |
¥3.642 |
¥0.638 |
c5d.4xlarge |
¥7.284 |
¥1.275 |
c5d.9xlarge |
¥16.389 |
¥1.793 |
c5d.12xlarge |
¥21.852 |
¥1.793 |
c5d.18xlarge |
¥32.779 |
¥1.793 |
c5d.24xlarge |
¥43.705 |
¥1.793 |
c6g.xlarge |
¥1.172 |
¥0.226 |
c6g.2xlarge |
¥2.3441 |
¥0.452 |
c6g.4xlarge |
¥4.6881 |
¥0.903 |
c6g.8xlarge |
¥9.3763 |
¥1.806 |
c6g.12xlarge |
¥14.0644 |
¥2.709 |
c6g.16xlarge |
¥18.7526 |
¥3.612 |
c6i.xlarge |
¥1.47874 |
¥0.2822 |
c6i.2xlarge |
¥2.95747 |
¥0.5644 |
c6i.4xlarge |
¥5.91494 |
¥1.1288 |
c6i.8xlarge |
¥11.82989 |
¥2.2576 |
c6i.12xlarge |
¥17.74483 |
¥3.3864 |
c6i.16xlarge |
¥23.65978 |
¥4.5152 |
c6i.24xlarge |
¥35.48966 |
¥6.7728 |
c6i.32xlarge |
¥47.31955 |
¥9.0304 |
c7g.xlarge |
¥1.2569 |
¥0.2407 |
c7g.2xlarge |
¥2.5139 |
¥0.4814 |
c7g.4xlarge |
¥5.0277 |
¥0.9628 |
c7g.8xlarge |
¥10.0554 |
¥1.9256 |
c7g.12xlarge |
¥15.0831 |
¥2.8884 |
c7g.16xlarge |
¥20.1108 |
¥3.8512 |
c8g.xlarge |
¥1.25693 |
¥0.2648032 |
c8g.2xlarge |
¥2.51385 |
¥0.5296064 |
c8g.4xlarge |
¥5.0277 |
¥1.0592128 |
c8g.8xlarge |
¥10.0554 |
¥2.1184256 |
c8g.12xlarge |
¥15.08311 |
¥3.1776384 |
c8g.16xlarge |
¥20.11081 |
¥4.2368512 |
c8g.24xlarge |
¥30.16621 |
¥6.3552768 |
c8g.48xlarge |
¥60.33243 |
¥12.7105536 |
计算优化型 – 上一代 |
||
c3.xlarge |
¥2.109 |
¥0.33 |
c3.2xlarge |
¥4.217 |
¥0.654 |
c3.4xlarge |
¥8.434 |
¥1.307 |
c3.8xlarge |
¥16.869 |
¥1.68 |
c4.large |
¥1.134 |
¥0.164 |
c4.xlarge |
¥2.268 |
¥0.325 |
c4.2xlarge |
¥4.535 |
¥0.652 |
c4.4xlarge |
¥9.071 |
¥1.304 |
c4.8xlarge |
¥18.141 |
¥1.68 |
c6gn.xlarge |
¥1.48914 |
¥0.286848 |
c6gn.2xlarge |
¥2.97828 |
¥0.573696 |
c6gn.4xlarge |
¥5.95657 |
¥1.147392 |
c6gn.8xlarge |
¥11.91314 |
¥2.294784 |
c6gn.12xlarge |
¥17.8697 |
¥3.442176 |
c6gn.16xlarge |
¥23.82627 |
¥4.589568 |
内存优化型 – 最新一代 |
||
r5.xlarge |
¥2.437 |
¥0.419 |
r5.2xlarge |
¥4.874 |
¥0.837 |
r5.4xlarge |
¥9.749 |
¥1.674 |
r5.8xlarge |
¥19.497 |
¥1.793 |
r5.12xlarge |
¥29.246 |
¥1.793 |
r5.16xlarge |
¥38.995 |
¥1.793 |
r5.24xlarge |
¥58.492 |
¥1.793 |
r5a.xlarge |
¥2.193 |
¥0.378 |
r5a.2xlarge |
¥4.387 |
¥0.75 |
r5a.4xlarge |
¥8.774 |
¥1.501 |
r5a.8xlarge |
¥17.548 |
¥1.793 |
r5a.12xlarge |
¥26.322 |
¥1.793 |
r5a.16xlarge |
¥35.095 |
¥1.793 |
r5a.24xlarge |
¥52.643 |
¥1.793 |
r5d.xlarge |
¥2.957 |
¥0.479 |
r5d.2xlarge |
¥5.915 |
¥0.957 |
r5d.4xlarge |
¥11.83 |
¥1.793 |
r5d.8xlarge |
¥23.66 |
¥1.793 |
r5d.12xlarge |
¥35.49 |
¥1.793 |
r5d.16xlarge |
¥47.32 |
¥1.793 |
r5d.24xlarge |
¥70.979 |
¥1.793 |
r6g.xlarge |
¥1.9333 |
¥0.335 |
r6g.2xlarge |
¥3.8666 |
¥0.669 |
r6g.4xlarge |
¥7.7332 |
¥1.339 |
r6g.8xlarge |
¥15.4665 |
¥2.677 |
r6g.12xlarge |
¥23.1997 |
¥4.016 |
r6g.16xlarge |
¥30.933 |
¥5.354 |
r6gd.xlarge |
¥2.3413 |
¥0.382464 |
r6gd.2xlarge |
¥4.6827 |
¥0.764928 |
r6gd.4xlarge |
¥9.3653 |
¥1.529856 |
r6gd.8xlarge |
¥18.7307 |
¥3.059712 |
r6gd.12xlarge |
¥28.096 |
¥4.589568 |
r6gd.16xlarge |
¥37.4613 |
¥6.119424 |
r7g.xlarge |
¥2.073 |
¥0.355572 |
r7g.2xlarge |
¥4.1459 |
¥0.711144 |
r7g.4xlarge |
¥8.2919 |
¥1.422288 |
r7g.8xlarge |
¥16.5838 |
¥2.844576 |
r7g.12xlarge |
¥24.8756 |
¥4.266864 |
r7g.16xlarge |
¥33.1675 |
¥5.689152 |
r8g.xlarge |
¥2.07297 |
¥0.3911624 |
r8g.2xlarge |
¥4.14594 |
¥0.7823248 |
r8g.4xlarge |
¥8.29188 |
¥1.5646496 |
r8g.8xlarge |
¥16.58375 |
¥3.1292992 |
r8g.12xlarge |
¥24.87563 |
¥4.6939488 |
r8g.16xlarge |
¥33.1675 |
¥6.2585984 |
r8g.24xlarge |
¥49.75125 |
¥9.3878976 |
r8g.48xlarge |
¥99.5025 |
¥18.7757952 |
x1.16xlarge |
¥68.876 |
¥11.07054 |
x1.32xlarge |
¥137.752 |
¥22.14108 |
x2idn.16xlarge |
¥68.87076 |
¥11.07054 |
x2idn.24xlarge |
¥103.30614 |
¥16.60581 |
x2idn.32xlarge |
¥137.74152 |
¥22.14108 |
x2iedn.xlarge |
¥8.60885 |
¥1.3838258 |
x2iedn.2xlarge |
¥17.21769 |
¥2.767635 |
x2iedn.4xlarge |
¥34.43538 |
¥5.53527 |
x2iedn.8xlarge |
¥68.87076 |
¥11.07054 |
x2iedn.16xlarge |
¥137.74152 |
¥22.14108 |
x2iedn.24xlarge |
¥206.61228 |
¥33.21162 |
x2iedn.32xlarge |
¥275.48304 |
¥44.28216 |
内存优化型 – 上一代 |
||
r3.xlarge |
¥4.9018 |
¥0.56 |
r3.2xlarge |
¥9.8036 |
¥1.12 |
r3.4xlarge |
¥19.6073 |
¥1.68 |
r3.8xlarge |
¥39.2147 |
¥1.68 |
r4.xlarge |
¥3.924 |
¥0.417 |
r4.2xlarge |
¥7.842 |
¥0.828 |
r4.4xlarge |
¥15.683 |
¥1.655 |
r4.8xlarge |
¥31.373 |
¥1.68 |
r4.16xlarge |
¥62.746 |
¥1.68 |
r6i.xlarge |
¥2.43718 |
¥0.41832 |
r6i.2xlarge |
¥4.87435 |
¥0.83664 |
r6i.4xlarge |
¥9.7487 |
¥1.67328 |
r6i.8xlarge |
¥19.49741 |
¥3.34656 |
r6i.12xlarge |
¥29.24611 |
¥5.01984 |
r6i.16xlarge |
¥38.99482 |
¥6.69312 |
r6i.24xlarge |
¥58.49222 |
¥10.03968 |
r6i.32xlarge |
¥77.98963 |
¥13.38624 |
存储优化型 – 最新一代 |
||
i3.xlarge |
¥3.122 |
¥0.51792 |
i3.2xlarge |
¥6.244 |
¥0.517 |
i3.4xlarge |
¥12.487 |
¥1.035 |
i3.8xlarge |
¥24.974 |
¥1.793 |
i3.16xlarge |
¥49.948 |
¥1.793 |
i3en.xlarge |
¥4.525 |
¥0.75032 |
i3en.2xlarge |
¥9.05 |
¥1.50064 |
i3en.3xlarge |
¥13.576 |
¥1.793 |
i3en.6xlarge |
¥27.151 |
¥1.793 |
i3en.12xlarge |
¥54.302 |
¥1.793 |
i3en.24xlarge |
¥108.605 |
¥1.793 |
i4i.xlarge |
¥3.639 |
¥0.56938 |
i4i.2xlarge |
¥7.278 |
¥1.13876 |
i4i.4xlarge |
¥14.555 |
¥2.27918 |
i4i.8xlarge |
¥29.11 |
¥4.55836 |
i4i.12xlarge |
¥43.665 |
¥6.83588 |
i4i.16xlarge |
¥58.221 |
¥9.11506 |
i4i.24xlarge |
¥87.33086 |
¥13.673088 |
i4i.32xlarge |
¥116.44115 |
¥18.230784 |
存储优化型 – 上一代 |
||
d2.xlarge |
¥6.673 |
¥1.077 |
d2.2xlarge |
¥13.345 |
¥1.68 |
d2.4xlarge |
¥26.69 |
¥1.68 |
d2.8xlarge |
¥53.38 |
¥1.68 |
i2.xlarge |
¥10.204 |
¥1.325 |
i2.2xlarge |
¥20.407 |
¥1.68 |
i2.4xlarge |
¥40.815 |
¥1.68 |
i2.8xlarge |
¥81.63 |
¥1.68 |
从集群启动到集群终止，按秒计费，最少为一分钟。
Amazon EMR 其他定价详情
Amazon S3 是单独计费的。（许多客户将其输入和输出数据存储在 S3 中；其他客户将所有数据本地存储在 HDFS 上。） 您存储的数据越多，每 GB 数据的月费就越低。
Amazon EKS 上的 Amazon EMR 定价
此定价适用于 Amazon EKS 集群上的 Amazon EMR。
Amazon EMR 费用是在 Amazon EKS 定价或任何其他与 Amazon EKS 结合使用的服务之外另行收取的。您可以使用 EC2 或 Amazon Fargate 在 Amazon Web Services 上运行 EKS。如果您使用 Amazon EC2（包括在 EKS 托管节点组中），则需要为运行 Kubernetes 工件节点所创建的 Amazon Web Services 资源（如 EC2 实例或 Amazon EBS 卷）付费。要查看详细的定价信息，请访问 Amazon EC2 定价页面。如果您使用 Amazon Fargate，则定价基于从您开始下载容器映像到 Amazon EKS Pod 终止之间所使用的 vCPU 和内存资源进行计算，四舍五入至最接近的秒数。最低收取 1 分钟的费用。要查看详细的定价信息，请访问 Amazon Fargate 定价页面。
EKS 上的 Amazon EMR 定价基于从您开始下载 EMR 应用程序映像到 Amazon EKS Pod 终止之间所使用的 vCPU 和内存资源进行计算，四舍五入为最接近的秒数。定价基于任务或 Pod 请求的 vCPU 和内存资源量。
| 类型 | 中国（宁夏）区域 | 中国（北京）区域 |
| 每小时每 vCPU | ¥ 0.0902975 | ¥ 0.0902975 |
| 每小时每 GB | ¥ 0.00995675 | ¥ 0.00995675 |
定价示例
基于中国（北京）区域定价的定价。
假设您运行部署在 Amazon EKS 上的 EMR-Spark 应用程序。在这种情况下，EKS 使用 r5.2xlarge EC2 实例获得计算容量（8 个 vCPU，64 GB RAM）。假设 EKS 集群包含 100 个节点，总共 800 个 vCPU 和 6400GB 总内存。假设该应用程序使用 100 个 vCPU 和 300GB 内存 30 分钟。
此任务的总 EMR 提升费用为：
- vCPU 上的总提升费用 = (100 * ¥0.0902975 * 0.5) =（vCPU 数量* 每 vCPU-小时费率 * 任务运行时（小时）= ¥4.51
- 内存上的总提升费用 = (300 * ¥0.00995675 * 0.5) =（使用的内存量 * 每 GB-小时费率 * 任务运行时（小时）= ¥1.49
- EMR 任务的总 EMR 提升费用 = ¥6.01
额外费用
您需要为创建的每个 Amazon EKS 集群每小时支付 ¥0.688。通过利用 Kubernetes 命名空间和 IAM 安全策略，您可以使用一个 Amazon EKS 集群运行多个应用程序。您可以使用 Amazon EC2 或 Amazon Fargate 在 Amazon Web Services 上运行 EKS。
如果您使用 EC2（包括在 EKS 托管节点组中），则需要为运行 Kubernetes 工件节点所创建的 Amazon Web Services 资源（如 EC2 实例或 EBS 卷）付费。使用时，您只需按实际使用量付费。无最低费用，无预先承诺。要查看详细的定价信息，请访问 Amazon EC2 定价页面。
如果您使用 Amazon Fargate，则定价基于从您开始下载容器映像到 Amazon EKS Pod 终止之间所使用的 vCPU 和内存资源进行计算，四舍五入至最接近的秒数。最低收取 1 分钟的费用。要查看详细的定价信息，请访问 Amazon Fargate 定价页面。
Amazon EMR Serverless 的定价
此定价适用于 EMR Serverless。
使用 EMR Serverless，无需预付费用，只需为所使用的资源付费即可。您需要为应用程序使用的 vCPU、内存和存储资源量付费。
借助 EMR Serverless，您可以使用开源框架版本创建应用程序，然后向该应用程序提交作业。作为作业规范的一部分，您可以提供并行工作程序的最小和最大数量，以及每个工作程序使用的 vCPU、内存和存储。EMR 会在您指定的限制内根据作业要求自动添加和删除工作程序。可以独立配置每个工作程序的如下三个维度：计算、内存和存储。可以为每个工作线程选择 1 个 vCPU、2 个 vCPU、4 个 vCPU、8 个 vCPU 到 16 个 vCPU，2GB 到 120GB 的内存（以 1GB 到 8GB 为增量），以及 20GB 到 200GB 的存储。
需要为从工作程序准备运行工作负载到其停止期间（四舍五入到最接近的秒，最少 1 分钟）所使用的合计 vCPU、内存和存储资源量付费。如果您将应用程序设置为在其启动时启动工作程序，则请求的工作程序将在您启动应用程序时启动，并在您停止应用程序或应用程序保持空闲时结束。
注意：使用自定义映像时，您需要为从 EMR Serverless 开始下载映像到工作程序停止期间（四舍五入到最接近的秒，最少 1 分钟）所使用的合计 vCPU、内存和存储资源量付费，四舍五入到最接近的秒数，最少 1 分钟。
定价详情（计算和内存）
定价基于工作程序使用的 vCPU、内存和存储资源量，按所有工作程序合计。
Linux/x86
| 维度 | 中国（宁夏）区域 | 中国（北京）区域 |
| 每小时每 vCPU | ¥ 0.324935 | ¥ 0.469547 |
| 每小时每 GB | ¥ 0.0357071 | ¥ 0.0517751 |
Linux/ARM
| 维度 | 中国（宁夏）区域 | 中国（北京）区域 |
| 每小时每 vCPU | ¥ 0.276422 | ¥ 0.38859 |
| 每小时每 GB | ¥ 0.030353 | ¥ 0.04265 |
定价详情（短暂存储）
默认情况下，所有工作程序都可使用 20 GB 的短暂存储，您只需为针对每个工作程序配置的任何额外存储付费。
| 维度 | 中国（宁夏）区域 | 中国（北京）区域 |
| 每小时每存储 GB | ¥ 0.000738 | ¥ 0.000829 |
支持的工作程序配置
| CPU | 内存值 | 短暂存储 |
| 1 个 vCPU | 最小2GB 和最大8GB，以 1GB 为增量 | 20GB - 200GB |
| 2 个 vCPU | 最小4GB 和最大16GB，以 1GB 为增量 | 20GB - 200GB |
| 4 个 vCPU | 最小8GB 和最大30GB，以 1GB 为增量 | 20GB - 200GB |
| 8 个 vCPU | 最小16GB 和最大60GB，以 4GB 为增量 | 20GB - 200GB |
| 16 个 vCPU | 最小32GB 和最大120GB，以 8GB 为增量 | 20GB - 200GB |
持续时间
依据从工作程序准备好运行工作负载到其停止的时间计算得出持续时间，该时间四舍五入到最接近的秒数，最少为 1 分钟。
额外费用
如果您的应用程序使用亚马逊云科技的其他服务，则可能会产生额外费用。例如，如果您的应用程序使用 Amazon Simple Storage Service (S3) 来存储和处理数据，则将向您收取标准的 Amazon S3 费率。如果移动来自 Amazon S3、Amazon Relational Database Service（RDS）或 Amazon Redshift 等数据源的数据，则需要按标准请求和数据传输费率付费。如果您使用的是 Amazon CloudWatch，您需要按 CloudWatch 日志和 CloudWatch 事件的标准费率付费。
定价示例
假设您向 EMR Serverless 提交了一个 Spark 作业。接下来假设该作业配置为使用最少 25 个工作程序和最多 75 个工作程序，每个工作程序都配置有 4 个 vCPU 和 30GB 内存。考虑没有配置额外的暂时存储。如果您的作业使用 25 个工作程序（或 100 个 vCPU）运行 30 分钟，并自动扩展为在 15 分钟内再增加 50 个工作程序（ 200 个额外的 vCPU）：
vCPU-小时总费用 =（100 * ¥0.0902975 * 0.5）+（200 * ¥0.0902975 * 0.25）=（vCPU 数量* 每 vCPU-小时费率 * 作业运行时（小时））= ¥9.02975
GB 小时总费用 =（750 * ¥0.00995675 * 0.5）+（1500 * ¥0.00995675 * 0.25）=（配置的总内存量 * 每 GB 小时速率 * 作业运行时（小时）） = ¥7.4675625
EMR Serverless 费用总额 = ¥9.02975 + ¥7.4675625 = ¥16.4973125
额外费用：如果您的应用程序使用 Amazon Web Services 的其他服务，例如 Amazon S3，则按标准 S3 费率向您收费。