python - Hadoop Streaming "comparator.options"未被尊重

Question

我有一个 python 映射器和缩减器，我正在使用它和 Hadoop 流式 API。 在命令行上，这些脚本可以正常工作并执行预期的工作。

我有一个 NASA 网络访问日志示例，您可以在此处看到它已正确处理和排序。

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，排序没有得到遵守。

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

具体参数: ma​​pred.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

它对值进行了排序，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，我将尝试按点击次数/观看次数(第一列)降序排列结果。

感谢任何帮助! TIA。

Answer 1

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。所以我猜你有 2 个选择:

1. 重写mapper和reducer，将reducer的工作集成到mapper中，reducer什么都不做。
2. 在这个 mapreduce 作业之后创建另一个 mapreduce 作业以按计数对输出进行排序。