Question

我想在Amazon EMR（python）上使用Hadoop MapReduce处理一个巨大的CSV文件。

该文件有7个字段，但是，我只查看日期和数量字段。

 "date" "receiptId" "productId" "quantity"  "price" "posId" "cashierId"

首先，我的mapper.py

import sys

def main(argv):
    line = sys.stdin.readline()
    try:
        while line:
            list = line.split('\t')

            #If date meets criteria, add quantity to express key
                if int(list[0][11:13])>=17 and int(list[0][11:13])<=19:
                    print '%s\t%s' % ("Express", int(list[3]))
            #Else, add quantity to non-express key
                else:
                    print '%s\t%s' % ("Non-express", int(list[3]))

            line =  sys.stdin.readline()
except "end of file":
        return None
if __name__ == "__main__":
        main(sys.argv)

对于reducer，我将使用streaming命令：aggregate。

问题：

我的代码是对的吗？我在Amazon EMR中运行它，但我得到一个空输出。
所以我的最终结果应该是：express，XXX和非express，YYY。在返回结果之前，我可以让它进行除法运算吗？只是XXX / YYY的结果。我应该把这段代码放在哪里？减速机??
此外，这是一个巨大的CSV文件，因此映射会将其分解为几个分区吗？或者我是否需要显式调用FileSplit？如果是这样，我该怎么做？

Answer 1

在这里回答我自己的问题！

代码错了。如果您使用聚合库来减少，则您的输出不会遵循通常的键值对。它需要一个＆＃34;前缀＆＃34;。
```
if int(list[0][11:13])>=17 and int(list[0][11:13])<=19:
    #This is the correct way of printing for aggregate library
    #Print all as a string.
    print  "LongValueSum:" + "Express" + "\t" + list[3]
```
其他＆＃34;前缀＆＃34;可用的有：DoubleValueSum，LongValueMax，LongValueMin，StringValueMax，StringValueMin，UniqValueCount，ValueHistogram。有关详细信息，请查看此处http://hadoop.apache.org/common/docs/r0.15.2/api/org/apache/hadoop/mapred/lib/aggregate/package-summary.html。
是的，如果你想做的不仅仅是基本的总和，最小值，最大值或数量，你需要编写自己的减速器。
我还没有答案。

在python中使用Hadoop处理大型csv文件

1 个答案: