python - 在hadoop的一个流式作业中使用多个映射器输入？

Question

在java中我会使用：

MultipleInputs.addInputPath(conf, path, inputFormatClass, mapperClass)

为每个添加具有不同映射器的多个输入。

现在我正在使用python在hadoop中编写一个流式作业，可以完成类似的工作吗？

Answer 1

您可以使用多个 -input 选项来指定多个输入路径：

hadoop jar hadoop-streaming.jar -input foo.txt -input bar.txt ...

Answer 2

我想这可以帮助你：https ://github.com/hyonaldo/hadoop-multiple-streaming 。

在这里，您还可以看到“这些不同输入路径的不同映射器”：

hadoop jar hadoop-multiple-streaming.jar \  
  -input    myInputDirs \  
  -multiple "outputDir1|mypackage.Mapper1|mypackage.Reducer1" \  
  -multiple "outputDir2|mapper2.sh|reducer2.sh" \  
  -multiple "outputDir3|mapper3.py|reducer3.py" \  
  -multiple "outputDir4|/bin/cat|/bin/wc" \  
  -libjars  "libDir/mypackage.jar" \
  -file     "libDir/mapper2.sh" \  
  -file     "libDir/mapper3.py" \  
  -file     "libDir/reducer2.sh" \  
  -file     "libDir/reducer3.py"