MRJob分拣减速器输出

时间:2018-12-10 14:42:11

标签: python sorting mapreduce mrjob

有什么方法可以使用mrjob对reducer函数的输出进行排序?

我认为reducer函数的输入是按键排序的,我试图利用此功能使用另一个reducer来对输出进行排序,如下所示,其中我知道值具有数字值,我想计算每个键的数量并进行排序密钥根据此计数:

def mapper_1(self, key, line):
    key = #extract key from the line
    yield (key, 1)

def reducer_1(self, key, values):
    yield key, sum(values)

def mapper_2(self, key, count):
    yield ('%020d' % int(count), key)

def reducer_2(self, count, keys):
    for key in keys:
        yield key, int(count)

,但其输出未正确排序!我怀疑这种怪异的行为是由于将int设置为string,并试图按照this link所说的那样进行格式化,但没有成功!

重要说明::当我使用调试器查看reducer_2的输出顺序时,该顺序是正确的,但输出的内容却是其他东西!

重要说明2:在另一台计算机上,对相同数据的相同程序将返回按预期排序的输出!

1 个答案:

答案 0 :(得分:2)

您可以在第二个reducer中将值排序为整数,然后将其转换为零填充表示形式:

import re

from mrjob.job import MRJob
from mrjob.step import MRStep

WORD_RE = re.compile(r"[\w']+")


class MRWordFrequencyCount(MRJob):

    def steps(self):
        return [
            MRStep(
                mapper=self.mapper_extract_words, combiner=self.combine_word_counts,
                reducer=self.reducer_sum_word_counts
            ),
            MRStep(
                reducer=self.reduce_sort_counts
            )
        ]

    def mapper_extract_words(self, _, line):
        for word in WORD_RE.findall(line):
            yield word.lower(), 1

    def combine_word_counts(self, word, counts):
        yield word, sum(counts)

    def reducer_sum_word_counts(self, key, values):
        yield None, (sum(values), key)

    def reduce_sort_counts(self, _, word_counts):
        for count, key in sorted(word_counts, reverse=True):
            yield ('%020d' % int(count), key)

好吧,这是对内存中的输出进行排序,这可能会成为问题,具体取决于输入的大小。但是您希望对其进行排序,因此必须以某种方式对其进行排序。