Question

我正在使用Hadoop / MapReduce构建电影推荐现在我只使用python来实现MapReduce进程。

所以我基本上在做的是分别运行每个mapper和reducer，并使用mapper的控制台输出到reducer。

我遇到的问题是python在终端中将值输出为字符串，因此如果我使用数字，则数字将作为字符串打印，这使得难以简化过程，因为它的转换会增加更多在服务器上加载。

那么如何解决这个问题，我希望使用纯python实现它，而不是第三方库。

import sys

def mapper():
    '''
        From Mapper1 : we need only UserID , (MovieID , rating)
        as output.
    '''

    #* First mapper

    # Read input line
    for line in sys.stdin:
        # Strip whitespace and delimiter - ','
        print line
        data = line.strip().split(',')

        if len(data) == 4:
            # Using array to print out values
            # Direct printing , makes python interpret
            # values with comma in between as tuples
            # tempout = []
            userid , movieid , rating , timestamp = data
            # tempout.append(userid)
            # tempout.append((movieid , float(rating)))
            # print tempout

            #
            print "{0},({1},{2})".format(userid , movieid , rating)

这是reducer print语句：

def reducer():

    oldKey = None
    rating_arr = []

    for line in sys.stdin:
        # So we'll recieve user, (movie,rating)
        # We need to group the tuples for unique users
        # we'll append the tuples to an array
        # Given that we have two data points , we'll split the
        # data at only first occurance of ','
        # This splits the string only at first comma

        data = line.strip().split(',',1)
        # print len(data) , data
        # check for 2 data values
        if len(data) != 2:
            continue

        x , y = data

        if oldKey and oldKey != x:

            print "{0},{1}".format(oldKey , rating_arr)
            oldKey = x
            rating_arr = []
        oldKey = x
        rating_arr.append(y)
        # print rating_arr
    if oldKey != None:
        print "{0},{1}".format(oldKey , rating_arr)

`

输入是：

671,(4973,4.5)\n671,(4993,5.0)\n670,(4995,4.0)

输出结果为：

671,['(4973,4.5)', '(4993,5.0)']
670,['(4995,4.0)']

我需要原样的元组，没有字符串。

Answer 1

数据是一个字符串，然后您将其分割并分配给y这一事实，仍然是一个字符串。

如果你想要元组的原始值作为数字，你需要解析它们。

ast.literal_eval可以提供帮助。

例如，

In [1]: line = """671,(4973,4.5)"""

In [2]:  data = line.strip().split(',',1)

In [3]: data
Out[3]: ['671', '(4973,4.5)']

In [4]: x , y = data

In [5]: type(y)
Out[5]: str

In [6]: import ast

In [7]: y = ast.literal_eval(y)

In [8]: y
Out[8]: (4973, 4.5)

In [9]: type(y)
Out[9]: tuple

In [10]: type(y[0])
Out[10]: int

现在，如果您想切换到PySpark，您可以更好地控制变量/对象类型，而不是使用Hadoop Streaming的所有字符串

控制python输出到控制台

1 个答案: