在python中使用Hadoop处理大型csv文件

2019-12-01 19:57:01 阅读：430 来源： 互联网

标签：mapreduce hadoop amazon-web-services python

我有一个巨大的CSV文件,我想在Amazon EMR(python)上使用Hadoop MapReduce处理.

该文件有7个字段,但是,我只查看日期和数量字段.

 "date" "receiptId" "productId" "quantity"  "price" "posId" "cashierId"

首先,我的mapper.py

import sys

def main(argv):
    line = sys.stdin.readline()
    try:
        while line:
            list = line.split('\t')

            #If date meets criteria, add quantity to express key
                if int(list[0][11:13])>=17 and int(list[0][11:13])<=19:
                    print '%s\t%s' % ("Express", int(list[3]))
            #Else, add quantity to non-express key
                else:
                    print '%s\t%s' % ("Non-express", int(list[3]))

            line =  sys.stdin.readline()
except "end of file":
        return None
if __name__ == "__main__":
        main(sys.argv)

对于reducer,我将使用streaming命令：aggregate.

题：

>我的代码正确吗？我在Amazon EMR中运行它,但输出为空.
>因此,我的最终结果应该是：express,XXX,非express,YYY.我可以在返回结果之前进行除法运算吗？只是XXX / YYY的结果.我该把代码放在哪里？减速器？
>而且,这是一个巨大的CSV文件,因此映射会将其分解为几个分区吗？还是我需要显式调用FileSplit？如果是这样,我该怎么做？

解决方法:

在这里回答我自己的问题！

>代码错误.如果您使用聚合库来简化操作,那么您的输出将不遵循通常的键值对.它需要一个“前缀”.

if int(list[0][11:13])>=17 and int(list[0][11:13])<=19:
    #This is the correct way of printing for aggregate library
    #Print all as a string.
    print  "LongValueSum:" + "Express" + "\t" + list[3]

可用的其他“前缀”是：DoubleValueSum,LongValueMax,LongValueMin,StringValueMax,StringValueMin,UniqValueCount,ValueHistogram.有关更多信息,请参见此处http://hadoop.apache.org/common/docs/r0.15.2/api/org/apache/hadoop/mapred/lib/aggregate/package-summary.html.
>是的,如果您想做的不仅仅是基本的总和,最小值,最大值或计数,则需要编写自己的减速器.
>我还没有答案.

标签：mapreduce,hadoop,amazon-web-services,python
来源： https://codeday.me/bug/20191201/2083085.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9

在python中使用Hadoop处理大型csv文件