python - MRJob 排序 reducer 输出

Question

有没有办法使用mrjob对reducer函数的输出进行排序？

我认为 reducer 函数的输入是按键排序的，我尝试利用此功能使用另一个 reducer 对输出进行排序，如下所示，我知道值具有数值，我想计算每个键的数量并排序根据此计数的键:

def mapper_1(self, key, line):
    key = #extract key from the line
    yield (key, 1)

def reducer_1(self, key, values):
    yield key, sum(values)

def mapper_2(self, key, count):
    yield ('%020d' % int(count), key)

def reducer_2(self, count, keys):
    for key in keys:
        yield key, int(count)

但它的输出没有正确排序!我怀疑这种奇怪的行为是由于将 ints 操作为 string 并试图将其格式化为 this link说但是没用!

重要提示:当我使用调试器查看 reducer_2 的输出顺序时，该顺序是正确的，但作为输出打印的却是另一回事!!!

重要提示 2:在另一台计算机上，相同数据的相同程序返回按预期排序的输出!

Answer 1

您可以在第二个 reducer 中将值排序为整数，然后将它们转换为零填充表示:

import re

from mrjob.job import MRJob
from mrjob.step import MRStep

WORD_RE = re.compile(r"[\w']+")


class MRWordFrequencyCount(MRJob):

    def steps(self):
        return [
            MRStep(
                mapper=self.mapper_extract_words, combiner=self.combine_word_counts,
                reducer=self.reducer_sum_word_counts
            ),
            MRStep(
                reducer=self.reduce_sort_counts
            )
        ]

    def mapper_extract_words(self, _, line):
        for word in WORD_RE.findall(line):
            yield word.lower(), 1

    def combine_word_counts(self, word, counts):
        yield word, sum(counts)

    def reducer_sum_word_counts(self, key, values):
        yield None, (sum(values), key)

    def reduce_sort_counts(self, _, word_counts):
        for count, key in sorted(word_counts, reverse=True):
            yield ('%020d' % int(count), key)

嗯，这是在内存中对输出进行排序，这可能是一个问题，具体取决于输入的大小。但是你希望它被排序，所以它必须以某种方式排序。