如何将python包包含在Hadoop流作业中？

我正在尝试包含一个带有Hadoop流作业的python包（NLTK），但不知道如何在不通过CLI参数“-file”手动包含每个文件的情况下实现这一点

---

编辑：一个解决方案是在所有从机上安装这个包，但我目前没有这个选项。

我将把包压缩到

.tar.gz

或

.zip

中，并将整个tarball或归档文件在

-file

选项中传递给hadoop命令。我以前用Perl做过，但不是Python

---

也就是说，如果您使用Python的zipimport，我认为这仍然适用于您，它允许您直接从zip导入模块。

刚刚遇到了这个解决方案：

首先创建包含所需库的zip

zip -r nltkandyaml.zip nltk yaml
mv ntlkandyaml.zip /path/to/where/your/mapper/will/be/nltkandyaml.mod

接下来，通过Hadoop stream“-file”参数包括：

hadoop -file nltkandyaml.zip

最后，通过python加载库：

import zipimport
importer = zipimport.zipimporter('nltkandyaml.mod')
yaml = importer.load_module('yaml')
nltk = importer.load_module('nltk') 

此外，本页总结了如何包括语料库：

下载并解压缩wordnet语料库

cd wordnet
zip -r ../wordnet-flat.zip *

在python中：

wn = WordNetCorpusReader(nltk.data.find('lib/wordnet-flat.zip'))

---

您可以像这样使用zip库：

import sys
sys.path.insert(0, 'nltkandyaml.mod')
import ntlk
import yaml

加载外部python包nltk的示例
参考答案

我遵循以下方法，在hadoop streaming中成功运行了nltk包

假设，您的系统中已经有您的包或（在我的例子中是nltk）

第一:

zip -r nltk.zip nltk
mv ntlk.zip /place/it/anywhere/you/like/nltk.mod

为什么在哪里工作？
Ans:-因为我们将通过命令行提供这个.mod压缩文件的路径，所以我们不需要太担心它

第二：
映射器或.py文件中的更改

#Hadoop cannot unzip files by default thus you need to unzip it   
import zipimport
importer = zipimport.zipimporter('nltk.mod')
nltk = importer.load_module('nltk')

#now import what ever you like from nltk
from nltk import tree
from nltk import load_parser
from nltk.corpus import stopwords
nltk.data.path += ["."]

第三： 运行map reduce的命令行参数

hadoop jar /usr/lib/hadoop-mapreduce/hadoop-streaming.jar \
-file /your/path/to/mapper/mapper.py \
-mapper '/usr/local/bin/python3.4 mapper.py' \
-file /your/path/to/reducer/reducer.py \
-reducer '/usr/local/bin/python3.4 reducer.py' \
-file /your/path/to/nltkzippedmodfile/nltk.mod \
-input /your/path/to/HDFS/input/check.txt -output /your/path/to/HDFS/output/

因此，上述步骤解决了我的问题，我认为也应该解决其他问题。

---

干杯，

如果你正在使用更复杂的libs，比如numpy、pandas，virtualenv是一个更好的方法。 您可以添加-archives以将环境发送到集群

参考以下文字：

已更新：

我在我们的在线环境中尝试了上面的virtualenv，发现了一些问题。在集群中，出现了一些错误，比如“找不到平台独立的库”。然后我尝试了conda来创建python环境，效果很好

如果你是中国人，你可以这样看：

如果没有，我可以简单地翻译一下：

通过conda创建环境：

conda create-n test python=2.7.12 numpy pandas

转到conda环境路径。您可以通过cmd找到它：

conda环境列表

然后，您可以将其打包：

tar cf test.tar test

通过hadoop流提交作业：

---

比我快15秒。很好的发现。我用hadoop流媒体尝试了这个解决方案，并为nltk zip提供了-file选项，zipimporter一直抱怨它不是一个zip文件，对此有什么想法吗？我的映射器似乎在我的本地机器上工作，它只是在hadoop流媒体上工作，这导致了problem@viper，可能尝试以下修复：1）重新压缩文件，但可能使用不同的zip程序或在不同的操作系统上；2） 确保您的路径是正确的——即zipimporter只是没有找到文件吗？；3） 检查群集与本地计算机上zipimporter的版本？我模模糊糊地记得曾经有过类似的错误，但不记得我做了什么来修复。@dolan我确实尝试过在本地机器上重新压缩文件。我将尝试在集群上执行此操作，然后再试一次。@Reihan_amn--我不太确定您在哪里遇到问题。有一件看起来有问题的事情是您正在加载“nltk/_init__”，而init文件/函数会自动加载到模块上。您最好发布一个新的堆栈溢出问题，并引用这个原始问题，详细描述您的代码，等等。为什么要将其移动到nltk.mod？为什么不直接从nltk.zip导入它？

hadoop jar /usr/lib/hadoop/hadoop-streaming.jar \
-archives test.tar \
-input /user/testfiles \
-output /user/result \ 
-mapper "test.tar/test/bin/python mapper.py" \
-file mapper.py \
-reducer"test.tar/test/bin/python reducer.py" \
-file reducer.py