Question

我正在尝试使用带有Hadoop流式传输作业的python包（NLTK），但不知道如何在不通过CLI参数“-file”手动包含每个文件的情况下执行此操作。

编辑：一种解决方案是在所有从站上安装此软件包，但我目前没有该选项。

Answer 1

刚刚遇到了这个解决方案的宝石：http://blog.cloudera.com/blog/2008/11/sending-files-to-remote-task-nodes-with-hadoop-mapreduce/

首先使用所需的库创建zip

zip -r nltkandyaml.zip nltk yaml
mv ntlkandyaml.zip /path/to/where/your/mapper/will/be/nltkandyaml.mod

接下来，通过Hadoop流包含“-file”参数：

hadoop -file nltkandyaml.zip

最后，通过python：

加载库

import zipimport
importer = zipimport.zipimporter('nltkandyaml.mod')
yaml = importer.load_module('yaml')
nltk = importer.load_module('nltk')

此外，此页面总结了如何包含语料库：http://www.xcombinator.com/2009/11/18/how-to-use-cascading-with-hadoop-streaming/

下载并解压缩wordnet语料库

cd wordnet
zip -r ../wordnet-flat.zip *

在python中：

wn = WordNetCorpusReader(nltk.data.find('lib/wordnet-flat.zip'))

Answer 2

我会将软件包压缩为.tar.gz或.zip并将整个tarball或归档文件以-file选项传递给hadoop命令。我过去用Perl做过这个，但不是Python。

那就是说，如果你在http://docs.python.org/library/zipimport.html使用Python的zipimport，我认为这仍然适合你，这允许你直接从zip导入模块。

Answer 3

您可以像这样使用zip lib：

import sys
sys.path.insert(0, 'nltkandyaml.mod')
import ntlk
import yaml

Answer 4

加载外部python包nltk的例子 参考答案
Running extrnal python lib like (NLTK) with hadoop streaming
我遵循了以下方法并成功运行了nltk包，并成功进行了hadoop流式传输。

假设，您的系统中已包含您的软件包或（在我的情况下为nltk）

第一

zip -r nltk.zip nltk
mv ntlk.zip /place/it/anywhere/you/like/nltk.mod

为什么哪个地方有效？
答： - 因为我们将通过命令行提供这个 .mod 压缩文件的路径，所以我们不需要担心它。

第二：
您的映射器或.py文件中的更改

#Hadoop cannot unzip files by default thus you need to unzip it   
import zipimport
importer = zipimport.zipimporter('nltk.mod')
nltk = importer.load_module('nltk')

#now import what ever you like from nltk
from nltk import tree
from nltk import load_parser
from nltk.corpus import stopwords
nltk.data.path += ["."]

第三：命令行参数以运行map-reduce

hadoop jar /usr/lib/hadoop-mapreduce/hadoop-streaming.jar \
-file /your/path/to/mapper/mapper.py \
-mapper '/usr/local/bin/python3.4 mapper.py' \
-file /your/path/to/reducer/reducer.py \
-reducer '/usr/local/bin/python3.4 reducer.py' \
-file /your/path/to/nltkzippedmodfile/nltk.mod \
-input /your/path/to/HDFS/input/check.txt -output /your/path/to/HDFS/output/

因此，上面的步骤解决了我的问题，我认为它也应该解决其他问题欢呼声，

Answer 5

如果您使用的是更复杂的库，例如numpy，pandas，则virtualenv是更好的方法。您可以添加-archives将环境发送到集群。

参考写作： https://henning.kropponline.de/2014/07/18/virtualenv-hadoop-streaming/

已更新：

我在在线环境中在virtualenv上面尝试过，发现了一些问题。在集群中，出现了诸如“找不到平台独立的库”之类的错误。然后，我尝试使用conda创建python env，它运行良好。 / p>

如果您是中国人，可以这样看：https://blog.csdn.net/Jsin31/article/details/53495423

如果没有，我可以简要翻译一下：

通过conda创建一个环境：

conda create -n test python=2.7.12 numpy pandas
转到conda env路径。您可以通过cmd找到它：

conda env list

然后，您可以打包：

tar cf test.tar test
通过hadoop流提交作业：

hadoop jar /usr/lib/hadoop/hadoop-streaming.jar \
-archives test.tar \
-input /user/testfiles \
-output /user/result \ 
-mapper "test.tar/test/bin/python mapper.py" \
-file mapper.py \
-reducer"test.tar/test/bin/python reducer.py" \
-file reducer.py

如何在Hadoop流媒体作业中包含python包？

5 个答案: