Hadoop Python 中读入文件的问题 - V2EX
V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
wwttc
V2EX    问与答

Hadoop Python 中读入文件的问题

  •  
  •   wwttc 2014-07-29 10:18:03 +08:00 3057 次点击
    这是一个创建于 4097 天前的主题,其中的信息可能已经有所发展或是发生改变。
    假设我有一个文件A包含一些词(大概有1000多个词),另外5个文件S包含的都是句子(大概有3-4亿个句子)。
    现在我想统计出A文件中每个单词,在S文件中句子所包含数量,就是S文件中有几个句子包含指定单词。
    那么我在编写mapper.py中应该怎样输入这两类文件呢?
    下面这么写可以吗?

    #! /usr/bin/env python
    #encoding=utf-8

    import sys

    f = file("words.txt")
    for word in f.readlines(): # 每行包含一个单词
    for line in sys.stdin: # 从HDFS中读入包含句子的文件,每一行包含一个句子
    if word in line.strip():
    print '%s\t%s' % (word,1)
    3 条回复    2014-07-29 22:35:06 +08:00
    lcj2class
        1
    lcj2class  
       2014-07-29 11:52:36 +08:00
    很明显,对于文件A你需要通过-file选项制定,然后另外5个文件放到一个文件夹下,假设在input下

    $HADOOP_HOME/bin/hadoop jar $HADOOP_HOME/hadoop-streaming.jar \
    -input input \
    -output out \
    -mapper myPythonScript.py \
    -reducer /bin/wc \
    -file 文件A

    myPythonScript可以这么实现:

    keys = [w.rstrip() for w in open("文件A").readlines()]

    for line in sys.stdin:
    words = line.split()
    for w in words:
    if w in keys
    print("\t".join([w,1]))
    wwttc
        2
    wwttc  
    OP
       2014-07-29 22:19:05 +08:00
    @lcj2class
    因为是中文的句子和单词,所以不能用if w in keys
    lcj2class
        3
    lcj2class  
       2014-07-29 22:35:06 +08:00
    汉字一样呀,你只要分好词就行

    在py文件开头加上

    # -*- coding: utf8 -*-

    就ok了
    关于     帮助文档     自助推广系统     博客     API     FAQ     Solana     5470 人在线   最高记录 6679       Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 21ms UTC 06:41 PVG 14:41 LAX 23:41 JFK 02:41
    Do have faith in what you're doing.
    ubao msn snddm index pchome yahoo rakuten mypaper meadowduck bidyahoo youbao zxmzxm asda bnvcg cvbfg dfscv mmhjk xxddc yybgb zznbn ccubao uaitu acv GXCV ET GDG YH FG BCVB FJFH CBRE CBC GDG ET54 WRWR RWER WREW WRWER RWER SDG EW SF DSFSF fbbs ubao fhd dfg ewr dg df ewwr ewwr et ruyut utut dfg fgd gdfgt etg dfgt dfgd ert4 gd fgg wr 235 wer3 we vsdf sdf gdf ert xcv sdf rwer hfd dfg cvb rwf afb dfh jgh bmn lgh rty gfds cxv xcv xcs vdas fdf fgd cv sdf tert sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf shasha9178 shasha9178 shasha9178 shasha9178 shasha9178 liflif2 liflif2 liflif2 liflif2 liflif2 liblib3 liblib3 liblib3 liblib3 liblib3 zhazha444 zhazha444 zhazha444 zhazha444 zhazha444 dende5 dende denden denden2 denden21 fenfen9 fenf619 fen619 fenfe9 fe619 sdf sdf sdf sdf sdf zhazh90 zhazh0 zhaa50 zha90 zh590 zho zhoz zhozh zhozho zhozho2 lislis lls95 lili95 lils5 liss9 sdf0ty987 sdft876 sdft9876 sdf09876 sd0t9876 sdf0ty98 sdf0976 sdf0ty986 sdf0ty96 sdf0t76 sdf0876 df0ty98 sf0t876 sd0ty76 sdy76 sdf76 sdf0t76 sdf0ty9 sdf0ty98 sdf0ty987 sdf0ty98 sdf6676 sdf876 sd876 sd876 sdf6 sdf6 sdf9876 sdf0t sdf06 sdf0ty9776 sdf0ty9776 sdf0ty76 sdf8876 sdf0t sd6 sdf06 s688876 sd688 sdf86