所以我在一个3机器集群上安装了hadoop2.7.1。我正在尝试使用mrjob和hadoop流来运行反向索引mapreduce作业。
以下是我的配置:
MRJob.SORT_VALUES = True
def steps(self):
JOBCONF_STEP1 = {
"mapred.map.tasks":20,
"mapred.reduce.tasks":10
}
return [MRStep(jobconf=JOBCONF_STEP1,
mapper=self.mapper,
reducer=self.reducer)
]
然而,我注意到在我的输出中,我经常得到同一个键到两个不同的减速器。这将产生如下输出:
Key | Output
Z | 2
X | 1,2
X | 3
Z | 1
这意味着一个减速机将获得x键和值1和2,而另一个减速机也将获得x键和值3。但是我只需要一个减速机来获取x键和所有相关的值。
所以期望的输出是:
Key | Output
X | 1,2,3
Z | 1,2
如何解决此问题?
这是我的工作代码
%%writefile invertedIndex.py
import json
import mrjob
from mrjob.job import MRJob
from mrjob.step import MRStep
class MRinvertedIndex(MRJob):
MRJob.SORT_VALUES = True
def steps(self):
JOBCONF_STEP1 = {
"mapred.map.tasks":20,
"mapred.reduce.tasks":10
}
return [MRStep(jobconf=JOBCONF_STEP1,
mapper=self.mapper,
reducer=self.reducer)
]
def mapper(self,_,line):
key, stripe = line.split("\t")
stripe = json.loads(stripe)
for w in stripe:
yield w, key
def reducer(self,key,values):
d = [v for v in values]
yield key,d
if __name__ == '__main__':
MRinvertedIndex.run() enter code here
1条答案
按热度按时间kq0g1dla1#
我想出来了。问题是mrjob默认设置如下:
我通过在jobconf中显式设置解决了这个问题:
我不知道2怎么会是这个设置的默认值,但至少我解决了我的问题