我有一个巨大的 CSV 文件,想在 Amazon EMR (python) 上使用 Hadoop MapReduce 进行处理。
该文件有 7 个字段,但是我只查看date and quantity field.
"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)
对于减速器,我将使用流命令:aggregate。
问题:
我的代码对吗?我在 Amazon EMR 中运行它,但输出为空。
所以我的最终结果应该是:快递,XXX和非快递,YYY。我可以让它在返回结果之前进行除法运算吗?只是 XXX/YYY 的结果。我应该把这段代码放在哪里?减速机??
另外,这是一个巨大的 CSV 文件,那么映射会将其分成几个分区吗?或者我是否需要显式调用 FileSplit?如果是这样,我该怎么做?
在这里回答我自己的问题!
-
代码错误。如果您使用聚合库来减少,您的输出不会遵循通常的键值对。它需要一个“前缀”。
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]
其他可用的“前缀”有:DoubleValueSum、LongValueMax、LongValueMin、StringValueMax、StringValueMin、UniqValueCount、ValueHistogram。欲了解更多信息,请看这里http://hadoop.apache.org/common/docs/r0.15.2/api/org/apache/hadoop/mapred/lib/aggregate/package-summary.html http://hadoop.apache.org/common/docs/r0.15.2/api/org/apache/hadoop/mapred/lib/aggregate/package-summary.html.
是的,如果您想做的不仅仅是基本总和、最小值、最大值或计数,您需要编写自己的减速器。
我还没有答案。
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)