Python MapReduce:连接数据文件并汇总信息
我有以下数据集: 提供节目和该节目观众数量的数据集#1:Python MapReduce:连接数据文件并汇总信息,python,hadoop,mapreduce,hadoop-streaming,Python,Hadoop,Mapreduce,Hadoop Streaming,我有以下数据集: 提供节目和该节目观众数量的数据集#1: TVShow1,25 TVShow2,30 TVShow3,7 TVShow1,15 数据集#2,提供广播每个节目的频道: TVShow4,BBC TVShow2,COM TVShow1,TNT TVShow3,TNT 我想计算TNT频道每个节目的观众总数,例如 TVShow1 40 TVShow3 7 我有以下映射器: #!/usr/bin/env python import sys for line in sys.stdin:
TVShow1,25
TVShow2,30
TVShow3,7
TVShow1,15
数据集#2,提供广播每个节目的频道:
TVShow4,BBC
TVShow2,COM
TVShow1,TNT
TVShow3,TNT
我想计算TNT频道每个节目的观众总数,例如
TVShow1 40
TVShow3 7
我有以下映射器:
#!/usr/bin/env python
import sys
for line in sys.stdin:
line = line.strip()
key_value = line.split(",")
key_in = key_value[0]
value_in = key_value[1]
if (value_in == 'TNT' or value_in.isdigit()):
print( '%s\t%s' % (key_in, value_in) )
以及以下减速器:
#!/usr/bin/env python
import sys
prev_TV_show = " "
line_cnt = 0
tnt_found = False
curr_TV_show_total_cnt = 0
for line in sys.stdin:
line = line.strip()
key_value = line.split('\t')
line_cnt = line_cnt+1
curr_TV_show = key_value[0]
value_in = key_value[1]
if curr_TV_show != prev_TV_show:
prev_TV_show = curr_TV_show
if (line_cnt>1 and tnt_found == True):
print('{0} {1}'.format(curr_TV_show,curr_TV_show_total_cnt))
tnt_found = False
curr_TV_show_total_cnt = 0
if (value_in == 'TNT'):
tnt_found = True
else:
curr_TV_show_total_cnt += int(value_in)
然后,我对代码进行了如下测试:
cat data_file*.txt | ./my_mapper.py | sort | ./my_reducer.py
然而,第一行的观众总数是不正确的。它看起来像是被两个电视节目合并了。与管理第一行相关的代码中是否有错误?我认为您的代码中有两个问题-
@本·沃森:对不起,这个错误只是因为缺乏记忆。现在它起作用了。然而,无论如何,结果是不正确的。所以,我相应地更新了我的问题。你能在你的问题中提供一些不正确的输出样本吗?“这样我才能确定你看到了什么”。@本·沃森:我看到的第一行是TVshow347。其余的行似乎是正确的。谢谢!现在它起作用了。只有一个疑问。您知道为什么测试的输出(cat data_file*.txt |./my_mapper.py | sort |./my_reducer.py)与运行Hadoop streaming命令返回的结果略有不同吗?特别是,TVShow5在测试后等于10,而在运行流媒体命令后等于0。这有点奇怪。