Question

我有一个map reduce程序正在运行以读取HDFS文件，如下所示：

hadoop jar /opt/mapr/hadoop/hadoop-0.20.2/contrib/streaming/hadoop-0.20.2-dev-streaming.jar -Dmapred.reduce.tasks=1000  -file $homedir/mapper.py -mapper $homedir/mapper.py -file $homedir/reducer.py -reducer $homedir/reducer.py   -input /user/data/* -output /output/ 2> output.text

要确认的是，路径/ user / data / *包含文件夹，/ user / data / *会迭代所有子文件夹下的所有文件吗？

hdfs文本文件包含每行的JSON字符串，因此映射器读取文件如下：

for line in sys.stdin:
    try:
        object = json.loads(line)

但是HDFS的所有者将文件从文本更改为sequencefile。我发现地图减少程序输出了很多零大小的文件，这可能意味着它没有成功地从HDFS读取文件。

我应该如何更改代码以便我可以从序列文件中读取？我还有一个HIVE外部表来执行基于mapreduce输出的聚合和排序，并且HIVE之前存储为TEXTFILE，我应该更改为STORED AS SEQUENCEFILE吗？

谢谢，

Answer 1

查看this

在mapreduce作业之前运行python文件以下输入：您的序列文件
输出：你输入mapreduce

import sys

from hadoop.io import SequenceFile

if __name__ == '__main__':
    if len(sys.argv) < 3:
        print 'usage: SequenceFileReader <filename> <output>'
    else:
        reader = SequenceFile.Reader(sys.argv[1])

    key_class = reader.getKeyClass()
    value_class = reader.getValueClass()

    key = key_class()
    value = value_class()

    #reader.sync(4042)
    position = reader.getPosition()
    f = open(sys.argv[2],'w')
    while reader.next(key, value):
        f.write(value.toString()+'\n')
    reader.close()
    f.close()

您现在不必更改原始python文件。

如何从python

1 个答案: