Python

Question

但我更改了映射器和缩减器以从包含 .gz 文件的 directory 读取数据。所以我应该将 path of the directory 作为输入传递。当包含数据的目录为 dat/ 时，我测试了以下终端命令 cat dat/ | ./mapper.py | sort | ./reducer.py，但我遇到了错误：

cat: dat/: Is a directory
Traceback (most recent call last):
  File "./mapper.py", line 9, in <module>
    for filename in glob.glob(sys.stdin + '*.gz'):
TypeError: unsupported operand type(s) for +: 'file' and 'str'

如何在 Python 中将目录作为输入传递给 Mapreduce？

以下是我的代码：

mapper.py

#!/usr/bin/env python
import sys
#import timeit
import glob
import gzip

QUALITY = '01459'
MISSING = '+9999'
for filename in glob.glob(sys.stdin + '*.gz'):
    f = gzip.open(filename, 'r')
    for line in f:
        val = line.strip()
        (year, temp, q) = (val[15:19], val[87:92], val[92:93])
        if temp != MISSING and q in QUALITY:
            print " %s\t%s" % (year, temp)

reducer.py

#!/usr/bin/env python
import sys

max_val = -sys.maxint
key = ''
for line in sys.stdin:
    (key, val) = line.strip().split('\t')
    max_val = max(max_val, int(val))
print "The last IF %s\t%s" % (key, max_val)

Answer 1

要获取当前工作目录的路径，请使用：

import os
path = os.getcwd()

您可以从该文件中获取所有文件：

filenames = os.listdir(path)
# filter files that doesn't have .gz filetype
filenames = [file_name for file_name in filenames if file_name.endswith('.gz')]

您可以简单地迭代文件：

for filename in filenames:
    f = gzip.open(path+filename, 'r')

Answer 2

行 for filename in glob.glob(sys.stdin + '*.gz'): 需要来自 stdin 的字符串。因此，只需传递一个字符串 (echo) 而不是文件内容 (cat):

$ echo dat/ | ./mapper.py | sort | ./reducer.py

但是，为什么要通过管道传递参数？通常参数由 python 通过 sys.argv 直接传递和读取（或者通过诸如“argparse”之类的解释器更好）。

Python - 如何将目录作为 MapReduce 输入传递

Python - How to pass a directory as MapReduce input

hadoop

mapreduce

hadoop-streaming