在python中使用Hadoop处理大型csv文件

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