Question

我在HDFS中有一个包含大约10,000个.xml文件的目录。我有一个python脚本＆＃34; processxml.py＆＃34;它接受一个文件并对其进行一些处理。是否可以在hdfs目录中的所有文件上运行脚本，或者我是否需要先将它们复制到本地才能这样做？

例如，当我在本地目录中的文件上运行脚本时，我有：

cd /path/to/files

for file in *.xml
do
python  /path/processxml.py 
$file > /path2/$file
done

所以基本上，我将如何做同样的事情，但这次文件是在hdfs？

Answer 1

您基本上有两个选择：

1）使用hadoop流连接器创建MapReduce作业（这里只需要地图部分）。从shell或shell脚本中使用此命令：

hadoop jar <the location of the streamlib> \
        -D mapred.job.name=<name for the job> \
        -input /hdfs/input/dir \
        -output /hdfs/output/dir \
        -file your_script.py \
        -mapper python your_script.py \
        -numReduceTasks 0

2）创建一个PIG脚本并发送你的python代码。以下是该脚本的基本示例：

input_data = LOAD '/hdfs/input/dir';
DEFINE mycommand `python your_script.py` ship('/path/to/your/script.py');
updated_data = STREAM input_data THROUGH mycommand PARALLEL 20;    
STORE updated_data INTO 'hdfs/output/dir';

Answer 2

如果您需要处理文件中的数据或移动/ cp / rm / etc。他们围绕文件系统然后PySpark（Spark with Python接口）将是最好的选择之一（速度，内存）。

通过Python处理HDFS中的多个文件

2 个答案: