python - 通过Python处理HDFS中的多个文件

Question

我在 HDFS 中有一个目录，其中包含大约 10,000 个 .xml 文件。我有一个 python 脚本“processxml.py”，它接受一个文件并对其进行一些处理。是否可以对 hdfs 目录中的所有文件运行该脚本，或者我是否需要先将它们复制到本地才能执行此操作？

例如，当我在本地目录中的文件上运行脚本时，我有:

cd /path/to/files

for file in *.xml
do
python  /path/processxml.py 
$file > /path2/$file
done

所以基本上，我将如何做同样的事情，但这次文件位于 hdfs 中？

Answer 1

你基本上有两个选择:

1) 使用hadoop Streaming Connector 创建MapReduce 作业(这里只需要Map 部分)。从 shell 或 shell 脚本内使用此命令:

hadoop jar <the location of the streamlib> \
        -D mapred.job.name=<name for the job> \
        -input /hdfs/input/dir \
        -output /hdfs/output/dir \
        -file your_script.py \
        -mapper python your_script.py \
        -numReduceTasks 0

2) 创建 PIG 脚本并发送您的 Python 代码。以下是该脚本的基本示例:

input_data = LOAD '/hdfs/input/dir';
DEFINE mycommand `python your_script.py` ship('/path/to/your/script.py');
updated_data = STREAM input_data THROUGH mycommand PARALLEL 20;    
STORE updated_data INTO 'hdfs/output/dir';