Hadoop 流与 Python : splitting input files manually

Question

我是 Hadoop 的新手，正在尝试将其流功能与 Python 编写的映射器和缩减器一起使用。问题是我的原始输入文件将包含要由映射器识别的行序列。如果我让 Hadoop 拆分输入文件，它可能会在序列的中间进行拆分，因此不会检测到该序列。所以，我正在考虑手动拆分文件。这也将打破一些序列，因此，除此之外，我还将提供替代拆分，以创建与“第一个”拆分重叠的文件。这样我就不会丢失任何序列。

我将运行 this article 中描述的以下命令:

hduser@ubuntu:/usr/local/hadoop$ bin/hadoop jar contrib/streaming/hadoop-*streaming*.jar \
-file /home/hduser/mapper.py    -mapper /home/hduser/mapper.py \
-file /home/hduser/reducer.py   -reducer /home/hduser/reducer.py \
-input /user/hduser/seq_files/* -output /user/hduser/output_files

我打算将我的输入文件(即手动拆分生成的文件)放在/user/hduser/seq_files/

问题是:

1. 如何配置 Hadoop 以获取每个输入文件并将其原样发送到映射器？

2. 如果输入文件的数量大于节点的数量，是否会映射所有文件？谢谢。

Answer 1

这里有很多问题需要考虑。

1. map/reduce 的映射部分要求映射该行所需的所有数据都驻留在该行上。试图解决这个问题是非常糟糕的做法，可能会被认为是您做错事的味道。
2. Hadoop 只拆分可拆分的输入文件，例如 bz2 或未压缩的文件。 Gzip does not get split for instance .
3. 如果您正在分析序列或“需要特定顺序才能有意义的事物”，这通常在 reducer 中完成，因为流向它的数据始终按 the Hadoop sort key 排序。 (这就是为什么要映射出 key )。
4. reducers 会在数据集排序后从 mappers 收到一个拆分数据集，为了避免分离所有需要去同一个 reducer 进行解释的信息，使用 the Hadoop partitioning key

请注意，所有链接都指向同一页面，只是不同的章节。总的来说，我认为从上到下阅读该页面将使您对如何以流方式使用 Hadoop 有更坚定的认识。

额外提示:如果你想用 python 做 map/reduce，我建议你看看 Apache Spark for Python ，它在 Hadoop 上运行，但是是 A whole lot faster它还允许您使用 iPython 控制台开发您的 map/reduce 算法，这极大地提高了开发速度。