我有一个pythonMap器和reducer,我正在使用hadoop流api。在命令行上,这些脚本工作正常,并执行预期的工作。
我有一个美国宇航局的网络访问日志样本,你可以看到这里是正确的处理和排序。
tail -n 10 NASA_access_log_Jul95 | ./mapper.py | sort | ./reducer.py | sort -r -k1,1
4 163.205.53.14
1 tornado.umd.edu
在map reduce作业中尝试相同的操作时,不考虑排序。
hadoop jar /usr/lib/hadoop-0.20-mapreduce/contrib/streaming/hadoop-streaming-2.0.0-mr1-cdh4.4.0.jar
-D mapred.output.key.comparator.class=org.apache.hadoop.mapred.lib.KeyFieldBasedComparator
-D mapred.text.key.comparator.options=-rk1,1
-file mapper.py -mapper mapper.py
-file reducer.py -reducer reducer.py
-input /user/cloudera/logcount/input
-output /user/cloudera/logcount/output
特别是参数:mapred.text.key.comparator.options=-rk1,1
作业的最终结果是:
hadoop fs -cat /user/cloudera/logcount/output/part-00000 | more
16***.novo.dk
32735 /
161 /"
1 /%20%20history/apollo/apollo-13/apollo-13.html
4 /%20history/apollo/apollo-13/apollo-13.html
它有排序的值,而不是我想要的键。我也试过去掉r,但没有效果。
如果不清楚,我将尝试按点击/视图(第一列)降序排列结果。
感谢您的帮助!蒂亚。
1条答案
按热度按时间woobm2wo1#
您正在尝试对reducer而不是mapper的输出进行排序。请注意,排序阶段发生在map和reduce之间,这意味着mapred.text.key.comparator.options用于对mapper的输出进行排序。所以我想你有两个选择:
重写mapper和reducer,将reducer的作业集成到mapper中,而不在reducer中执行任何操作。
在此作业之后创建另一个mapreduce作业,用于按计数对输出进行排序。