这是一个创建于 3771 天前的主题，其中的信息可能已经有所发展或是发生改变。
假设我有一个文件A包含一些词（大概有1000多个词），另外5个文件S包含的都是句子（大概有3-4亿个句子）。
现在我想统计出A文件中每个单词，在S文件中句子所包含数量，就是S文件中有几个句子包含指定单词。
那么我在编写mapper.py中应该怎样输入这两类文件呢？
下面这么写可以吗？
#! /usr/bin/env python
#encoding=utf-8
import sys
f = file("words.txt")
for word in f.readlines(): # 每行包含一个单词
for line in sys.stdin: # 从HDFS中读入包含句子的文件，每一行包含一个句子
if word in line.strip():
print '%s\t%s' % (word,1)
现在我想统计出A文件中每个单词，在S文件中句子所包含数量，就是S文件中有几个句子包含指定单词。
那么我在编写mapper.py中应该怎样输入这两类文件呢？
下面这么写可以吗？
#! /usr/bin/env python
#encoding=utf-8
import sys
f = file("words.txt")
for word in f.readlines(): # 每行包含一个单词
for line in sys.stdin: # 从HDFS中读入包含句子的文件，每一行包含一个句子
if word in line.strip():
print '%s\t%s' % (word,1)
 |
1
lcj2class 2014-07-29 11:52:36 +08:00
很明显，对于文件A你需要通过-file选项制定，然后另外5个文件放到一个文件夹下，假设在input下
$HADOOP_HOME/bin/hadoop jar $HADOOP_HOME/hadoop-streaming.jar \ -input input \ -output out \ -mapper myPythonScript.py \ -reducer /bin/wc \ -file 文件A myPythonScript可以这么实现： keys = [w.rstrip() for w in open("文件A").readlines()] for line in sys.stdin: words = line.split() for w in words: if w in keys print("\t".join([w,1])) |
|
3
lcj2class 2014-07-29 22:35:06 +08:00
汉字一样呀，你只要分好词就行
在py文件开头加上 # -*- coding: utf8 -*- 就ok了 |
Select Language