问

Hadoop Python中读入文件的问题

广东抱米花_冰月发布于 2022-11-03 17:10

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)

1 个回答

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。

2022-11-06 07:08 回答

洋索菲命_563

撰写答案

今天，你开发时遇到什么问题呢？

立即提问

热门标签