Question

我正在使用mrjob编写一个任务，使用Google Ngrams数据计算各种统计信息：https://aws.amazon.com/datasets/8172056142375670

我开发了＆amp;使用制表符分隔文本中的未压缩数据子集在本地测试我的脚本。一旦我尝试运行这个工作，我就收到了这个错误：

Traceback (most recent call last):
  File "ngram_counts.py", line 74, in <module>
    MRNGramCounts.run()
  File "/usr/lib/python2.6/dist-packages/mrjob/job.py", line 500, in run
    mr_job.execute()
  File "/usr/lib/python2.6/dist-packages/mrjob/job.py", line 509, in execute
    self.run_mapper(self.options.step_num)
  File "/usr/lib/python2.6/dist-packages/mrjob/job.py", line 574, in run_mapper
    for out_key, out_value in mapper(key, value) or ():
  File "ngram_counts.py", line 51, in mapper
    (ngram, year, _mc, _pc, _vc) = line.split('\t')
ValueError: need more than 2 values to unpack
(while reading from s3://datasets.elasticmapreduce/ngrams/books/20090715/eng-1M/5gram/data)

大概这是因为公共数据集的压缩方案（来自上面的URL链接）：

我们将数据集存储在Amazon S3中的单个对象中。该文件在块级LZO压缩的序列文件格式。序列 file key是存储为LongWritable和的数据集的行号值是存储为TextWritable的原始数据。

有关如何设置可以处理这些文件的工作流程的任何指导？我已经详尽地搜索了一些提示，但没有找到任何有用的东西......

（我是mrjob和Hadoop的亲戚。）

Answer 1

我终于弄明白了。看起来EMR会为您处理LZO压缩，但对于序列文件格式，您需要将以下HADOOP_INPUT_FORMAT字段添加到MRJob类：

class MyMRJob(MRJob):

    HADOOP_INPUT_FORMAT = 'org.apache.hadoop.mapred.SequenceFileAsTextInputFormat'

    def mapper(self, _, line):
        # mapper code...

    def reducer(self, key, value):
        # reducer code...

还有另一个问题（引自AWS主持的Google NGrams页面）：

序列文件键是存储为LongWritable的数据集的行号，值是存储为TextWritable的原始数据。

这意味着每行都有前缀和额外的Long + TAB，因此您在mapper方法中执行的任何行解析都需要考虑前置信息。

使用mrjob处理LZO序列文件

1 个答案: