假设我有一个文件A包含一些词(大概有1000多个词),另外5个文件S包含的都是句子(大概有3-4亿个句子)。
现在我想统计出A文件中每个单词,在S文件中句子所包含数量,就是S文件中有几个句子包含指定单词。
那么我在编写mapper.py中应该怎样输入这两类文件呢?
下面这么写可以吗?
#! /usr/bin/env python
#encoding=utf-8
import sys
f = file("words.txt")
for word in f.readlines(): # 每行包含一个单词
for line in sys.stdin: # 从HDFS中读入包含句子的文件,每一行包含一个句子
if word in line.strip():
print '%s\t%s' % (word,1)
将文件A作为输入,Mapper中读文件。
下面是在Hadoop2下的代码(测试通过)。
mapper.py:
#! /usr/bin/env python import sys with open('A') as f: words = [w.strip() for w in f] for line in sys.stdin: for w in words: if w in line: print '%s\t%s' % (w, 1)
reducer.py:
#! /usr/bin/env python import sys from itertools import groupby def yield_stdin(): for line in sys.stdin: yield line.rstrip().split('\t', 1) for k, rows in groupby(yield_stdin(), lambda x: x[0]): count = sum(int(v) for _, v in rows) print '%s\t%d' % (k, count)
运行任务:
HADOOP_HOME=/usr/local/hadoop $HADOOP_HOME/bin/hadoop fs -put S S $HADOOP_HOME/bin/hadoop jar $HADOOP_HOME/share/hadoop/tools/lib/hadoop-streaming*.jar \ -file mapper.py -mapper mapper.py \ -file reducer.py -reducer reducer.py \ -file A \ # 重要 -input S -output count_lines
关于Hadoop之前的版本,需要修改hadoop-streaming-x.x.x.jar的位置。