Question

我试图理解更好的大数据编程，但我对python几乎一无所知。所以我使用mapreduce范例，实际上在python中，我将一些存储在某个目录中的文本文件称为mydir，这样我的数据源就是：

global_file = glob.glob("mydir/*")

def file_contents(file_name):
     f = open(file_name)
     try:
         return f.read()
     finally:
         f.close()

datasource = dict((file_name, file_contents(file_name)) for file_name in global_file)

然后我的mapreduce函数是

#each line in each text file is structured as follow : paper-id:::author1::author2::…. ::authorN:::title
def mapfn(k, v):
    for w in v.splitlines():
        separator = w.split('\:\:|\:\:\:')
        for x in separator[1:len(separator)-1]:
            for y in separator[-1].split():
                yield x + y, 1

首先，k和v代表一个键值对，其中k是文件的ID，v是后一个文件的内容。（最后，我想获得按作者分组的每个单词的出现次数）

现在的问题是，当我运行算法时，我得到一个空白数组结果。我的python语法是否正确？

Answer 1

我通过更好的命名和分割的正确regexp部分重写了mapfn函数，并添加了一个简单的测试：

import re

datasource = {
    "foo":(
        "paper-1:::author1::author2::authorN:::title1\n" 
        "paper-2:::author21::author22::author23::author2N:::title2\n"
        "paper-3:::author31::author32:::title3"
        )
    }

def mapfn(k, v):
    for line in v.splitlines():
        data = re.split(r":{2,3}", line)
        words = data[-1].split()
        for author in data[1:-1]:
            for word in words:
                yield author + word, 1


def main():
    for k, v in datasource.items():
        for result in mapfn(k, v):
            print result

if __name__ == "__main__":
    main()

这会产生以下结果：

bruno@betty ~/Work/playground $ python mapf.py 
('author1title1', 1)
('author2title1', 1)
('authorNtitle1', 1)
('author21title2', 1)
('author22title2', 1)
('author23title2', 1)
('author2Ntitle2', 1)
('author31title3', 1)
('author32title3', 1)

不确定这是你的预期，但至少会产生一些输出。到目前为止，我没有任何关于mapReduce的实践经验，所以你要么必须告诉更多有关上下文以及如何运行代码和/或等待本地mapReduce大师的信息。

mapreduce简单函数 - 使用python

1 个答案: