我有一些要从 hdfs 中提取的字段。
目前我正在做hadoop fs -text /path/to/20120903/*-* 2>/dev/null | awk -F '\t' '{ print $16 }' | sort | uniq > users-0903
.
我怎样才能加快速度(需要为 0904、0905 做这件事……这需要一些时间)?
我有一些 Hadoop 流式尝试,但它似乎不喜欢我给它的大多数脚本,所以我放弃了。您将如何使用流式传输来尝试此任务?
使用 Hadoop Streaming 的一种快速方法是:
hadoop jar hadoop-streaming.jar -input /path/to/2012093 -output /path/to/output-0903 -mapper "awk -F '\t' '{print \$16}'" -reducer 'uniq'
或者写得更好:
hadoop jar hadoop-streaming.jar \
-input /path/to/2012093 \
-output /path/to/output-0903 \
-mapper "awk -F '\t' '{print \$16}'"\
-reducer 'uniq'
映射器将在选项卡之间发出第 16 个单词作为没有值的键。然后它将在 shuffle/sort 期间进行排序,并且调用uniq
将获取每个键/值对,这些键/值对只是键的重复。这些将减少到一份uniq
。