如何为 mrJobs 中的多行输入编写自定义协议

how to write a custom protocol for multiple line input into mrJobs

我正在尝试将 mrJobs 与 csv 文件一起使用。问题是 csv 文件的输入跨越多行。

通过 mrJob 文档搜索,我认为我需要编写一个自定义协议来处理输入。

我尝试在下面编写自己的协议,multiLineCsvInputProtocol,但我已经遇到错误:TypeError: a bytes-like object is required, not 'str'

我不会说谎,我想我已经无法理解了。

基本上,多行 csv 文件中的每一行新数据都以日期字符串开头。我想逐行读取输入,在逗号上吐出每一行,将值存储在列表中,每当新行以日期字符串开头时,我想 yield 整个列表到第一个映射器。

(或者找到其他更好的方法来读取多行 csv 输入)

谁能帮我解决这个错误?

import csv
import mapreduce as mr
from mrjob.job import MRJob
from mrjob.step import MRStep
from mrjob import protocol

class multiLineCsvInputProtocol(object):
    def read(self, line):
        key, val = enumerate(line.split(',', 1))
        return key, val


class someTask(MRJob):

  INPUT_PROTOCOL = multiLineCsvInputProtocol

  def mapper1(self,_, row):
    yield (row, 1 )


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

根据mrjobdocumentationread函数的line参数有bytestring 的类型,您很可能会收到该错误,因为您 split-ting by ',' 这是一个 str:

Writing custom protocols

A protocol is an object with methods read(self, line) and write(self, key, value). The read() method takes a bytestring and returns a 2-tuple of decoded objects, and write() takes the key and value and returns bytes to be passed back to Hadoop Streaming or as output.

可能的解决方案:

  1. 您可以尝试按 b',' 拆分,这是一个 bytestring
  2. 你可以在分割前解码,像这样:line.decode().split(',', 1) (指定编码可能是个好主意)