Question

但是我改变了我的mapper和reducer来读取包含directory文件的.gz的数据。所以我应该传递path of the directory作为输入。我测试以下终端命令cat dat/ | ./mapper.py | sort | ./reducer.py，而包含数据的目录是dat/，但我遇到了错误：

cat: dat/: Is a directory
Traceback (most recent call last):
  File "./mapper.py", line 9, in <module>
    for filename in glob.glob(sys.stdin + '*.gz'):
TypeError: unsupported operand type(s) for +: 'file' and 'str'

如何在Python中将目录作为输入传递给Mapreduce？

以下是我的代码：

mapper.py

#!/usr/bin/env python
import sys
#import timeit
import glob
import gzip

QUALITY = '01459'
MISSING = '+9999'
for filename in glob.glob(sys.stdin + '*.gz'):
    f = gzip.open(filename, 'r')
    for line in f:
        val = line.strip()
        (year, temp, q) = (val[15:19], val[87:92], val[92:93])
        if temp != MISSING and q in QUALITY:
            print " %s\t%s" % (year, temp)

reducer.py

#!/usr/bin/env python
import sys

max_val = -sys.maxint
key = ''
for line in sys.stdin:
    (key, val) = line.strip().split('\t')
    max_val = max(max_val, int(val))
print "The last IF %s\t%s" % (key, max_val)

Answer 1

行for filename in glob.glob(sys.stdin + '*.gz'):需要来自stdin的字符串。因此，只需传递一个字符串（echo）而不是文件内容（cat）：

$ echo dat/ | ./mapper.py | sort | ./reducer.py

但是，为什么要通过管道传递参数？通常，参数由python通过sys.argv直接传递和读取（或者甚至更好地通过解释器，例如＆＃34; argparse＆＃34;）。

Answer 2

要获取当前工作目录的路径：

import os
path = os.getcwd()

您可以从此文件中获取所有文件：

filenames = os.listdir(path)
# filter files that doesn't have .gz filetype
filenames = [file_name for file_name in filenames if file_name.endswith('.gz')]

您可以使用以下命令迭代文件：

for filename in filenames:
    f = gzip.open(path+filename, 'r')

Python - 如何将目录作为MapReduce输入传递

2 个答案: