Question

我正在尝试预处理XML文件以在放入mapreduce之前提取某些节点。我有以下代码：

from mrjob.compat import jobconf_from_env
from mrjob.job import MRJob
from mrjob.util import cmd_line, bash_wrap

class MRCountLinesByFile(MRJob):
    def configure_options(self):
        super(MRCountLinesByFile, self).configure_options()
        self.add_file_option('--filter')

    def mapper_cmd(self):
        cmd = cmd_line([self.options.filter, jobconf_from_env('mapreduce.map.input.file'])
        return cmd



if __name__ == '__main__':
    MRCountLinesByFile.run()

在命令行中，我输入：

python3 test_job_conf.py --filter ./filter.py -r local < test.txt

test.txt是一个普通的XML文件，如here。虽然filter.py是一个查找所有标题信息的脚本。

但是，我收到以下错误：

Creating temp directory /tmp/test_job_conf.vagrant.20160406.042648.689625
Running step 1 of 1...
Traceback (most recent call last):
  File "./filter.py", line 8, in <module>
    with open(filename) as f:
FileNotFoundError: [Errno 2] No such file or directory: 'None'
Step 1 of 1 failed: Command '['./filter.py', 'None']' returned non-zero exit status 1

在这种情况下看起来像mapreduce.map.input.file渲染None。如何让mapper_cmd函数读取mrjob当前正在阅读的文件？

Answer 1

根据我的理解，你的self.add_file_option应该有你文件的路径。

self.add_file_option('--items', help='Path to u.item')

我不太了解你的情况，但这是我的理解。您可以使用configure选项确保将给定文件发送给所有映射器以进行处理，例如，当您要对除源以外的其他文件中的数据进行辅助查找时。这个辅助查找文件由self.add_file_option提供（＆＃39; - items＆＃39;，help =＆＃39; path to u.item＆＃39;）。

要在reducer或mapper阶段之前预先处理某些内容，请使用reducer_init或mapper_init。这些初始化或处理步骤也需要在步骤函数中提及，例如下面所示。

def steps(self):
        return [
            MRStep(mapper=self.mapper_get_name,
                   reducer_init=self.reducer_init,
                   reducer=self.reducer_count_name),
            MRStep(reducer = self.reducer_find_maxname)
        ]

在init函数中，您需要对发送到mapper或reducer之前需要完成的事情进行实际的预处理。比如说打开一个文件xyz并复制我将在我的reducer中使用的另一个字段的第一个字段中的值并输出相同的内容。

def reducer_init(self):
        self.movieNames = {}    
        with open("xyz") as f:
            for line in f:
                fields = line.split('|')
                self.myNames[fields[0]] = fields[1]

希望这会有所帮助!!

Python mrjob mapreduce如何预处理输入文件

1 个答案: