Mapreduce回车

Question

我想使用输入格式s3a在MapReduce中处理CommonCrawl WARC文件。

问题在于，将删除输入行末尾的回车符，并改用制表符（因为它是默认的定界符）。

为什么会这样？

这是我启动MapReduce的代码

time yarn jar /usr/hdp/current/hadoop-mapreduce-client/hadoop-streaming.jar \
  -D mapred.compress.map.output=true \
  -D mapred.reduce.tasks=0 \
  -D mapred.job.name=cc \
  -D fs.s3a.aws.credentials.provider=org.apache.hadoop.fs.s3a.AnonymousAWSCredentialsProvider \
  -files mapper.py \
  -archives wasbs://cluster@ccscsg.blob.core.windows.net/user/ubuntu/virtualenv/.venv2.zip#venv \
  -mapper mapper.py \
  -input s3a://commoncrawl/crawl-data/CC-MAIN-2018-39/segments/1537267155413.17/warc/CC-MAIN-20180918130631-20180918150631-00000.warc.gz \
  -output /output_warc

mapper.py

#!./venv/bin/python
import sys
for line in sys.stdin:
    sys.stdout.write(line)

Answer 1

您可以设置-D mapreduce.output.textoutputformat.separator=$'\r'。但这将为每行添加一个\r，即使输入中没有输入。

MapReduce作业期望在mapper输出中有一对，并且用于分隔输出中键和值的分隔符由（mapreduce.output.textoutputformat.separator`（制表符为默认值）设置。

顺便说一句，WARC文件不是文本文件-存在二进制有效载荷（PDF，图像），并且HTML没有固定的内容编码。您可以考虑使用WARC解析库（例如warcio），也可以简单地使用cc-mrjob或cc-pyspark进行处理。