我在Python中编写了一个简单的MapReduce示例 . 如果输入是一个文件,例如 text
文件,为了运行代码,我们只需使用以下模式: cat <data> | map | sort | reduce
,例如在我的情况下它是: cat data | ./mapper.py | sort | ./reducer.py
并且一切正常 .
但是我改变了我的mapper和reducer来读取包含 .gz
文件的 directory
中的数据 . 所以我应该传递 path of the directory
作为输入 . 我测试以下终端命令 cat dat/ | ./mapper.py | sort | ./reducer.py
,而包含数据的目录是 dat/
,但我遇到错误:
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)
2 回答
for filename in glob.glob(sys.stdin + '*.gz'):
行需要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
):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(或者甚至更好地通过解释器,例如“argparse”) .要获取当前工作目录的路径,请使用:
您可以从此文件中获取所有文件:
您可以使用以下命令迭代文件: