Python mrjob mapreduce如何预处理输入文件

我正在尝试预处理一个XML文件，以便在放入mapreduce之前提取某些节点。我有以下代码：

from mrjob.compat import jobconf_from_env
from mrjob.job import MRJob
from mrjob.util import cmd_line, bash_wrap

class MRCountLinesByFile(MRJob):
    def configure_options(self):
        super(MRCountLinesByFile, self).configure_options()
        self.add_file_option('--filter')

    def mapper_cmd(self):
        cmd = cmd_line([self.options.filter, jobconf_from_env('mapreduce.map.input.file'])
        return cmd



if __name__ == '__main__':
    MRCountLinesByFile.run()

在命令行中，我键入：

python3 test_job_conf.py --filter ./filter.py -r local < test.txt

---

在本例中，它看起来像

mapreduce.map.input.file

render

None

。如何让

mapper\u cmd

函数读取

mrjob

当前正在读取的文件

根据我的理解，在your self.add_file_选项中应该有文件的路径

self.add_file_option('--items', help='Path to u.item')

我不太明白你的想法，但这是我的理解。 使用“配置”选项可确保将给定文件发送给所有映射器进行处理，例如，当您要对源以外的其他文件中的数据执行辅助查找时。此辅助查找文件由self.add_file_选项（'--items'，help='Path to u.item'）提供

要在reducer或mapper阶段之前预处理某些内容，可以使用reducer\u init或mapper\u init。这些初始化或处理步骤也需要在步骤函数中提及，例如如下所示

def steps(self):
        return [
            MRStep(mapper=self.mapper_get_name,
                   reducer_init=self.reducer_init,
                   reducer=self.reducer_count_name),
            MRStep(reducer = self.reducer_find_maxname)
        ]

在init函数中，您可以在发送到mapper或reducer之前对需要执行的操作进行实际的预处理。例如，打开一个文件xyz，将第一个字段中的值复制到另一个字段中，我将在我的reducer中使用该字段并输出相同的值

def reducer_init(self):
        self.movieNames = {}    
        with open("xyz") as f:
            for line in f:
                fields = line.split('|')
                self.myNames[fields[0]] = fields[1]

---

希望这有帮助

根据我的理解，在your self.add_file_选项中应该有文件的路径

self.add_file_option('--items', help='Path to u.item')

我不太明白你的想法，但这是我的理解。 使用“配置”选项可确保将给定文件发送给所有映射器进行处理，例如，当您要对源以外的其他文件中的数据执行辅助查找时。此辅助查找文件由self.add_file_选项（'--items'，help='Path to u.item'）提供

要在reducer或mapper阶段之前预处理某些内容，可以使用reducer\u init或mapper\u init。这些初始化或处理步骤也需要在步骤函数中提及，例如如下所示

def steps(self):
        return [
            MRStep(mapper=self.mapper_get_name,
                   reducer_init=self.reducer_init,
                   reducer=self.reducer_count_name),
            MRStep(reducer = self.reducer_find_maxname)
        ]

在init函数中，您可以在发送到mapper或reducer之前对需要执行的操作进行实际的预处理。例如，打开一个文件xyz，将第一个字段中的值复制到另一个字段中，我将在我的reducer中使用该字段并输出相同的值

def reducer_init(self):
        self.movieNames = {}    
        with open("xyz") as f:
            for line in f:
                fields = line.split('|')
                self.myNames[fields[0]] = fields[1]

希望这有帮助