0

我有一个相当简单的脚本，它以 JSON 格式获取 Twitter 数据并将其转换为 Avro 文件。

from avro import schema, datafile, io
import json, sys
from types import *

def main():
    if len(sys.argv) < 2:
        print "Usage: cat input.json | python2.7 JSONtoAvro.py output"
        return

    s = schema.parse(open("tweet.avsc").read())
    f = open(sys.argv[1], 'wb')

    writer = datafile.DataFileWriter(f, io.DatumWriter(), s, codec = 'deflate')

    failed = 0

    for line in sys.stdin:
        line = line.strip()

    try:
        data = json.loads(line)
    except ValueError as detail:
        continue

    try:
        writer.append(data)
    except io.AvroTypeException as detail:
        print line
        failed += 1

writer.close()

print str(failed) + " failed in schema"

if __name__ == '__main__':
    main()

从那里，我使用它来提供一个基本的 Hadoop Streaming 脚本（也在 Python 中），它只是提取推文的某些元素。但是，当我这样做时，脚本的输入似乎是损坏的 JSON。通常 JSON 会在推文正文或用户定义的描述中间出现一些错误的 \u 失败。

这是我用来调用 Hadoop Streaming 的 bash 脚本：

jars=/usr/lib/hadoop/lib/avro-1.7.1.cloudera.2.jar,/usr/lib/hive/lib/avro-mapred-1.7.1.cloudera.2.jar

hadoop jar /usr/lib/hadoop-mapreduce/hadoop-streaming.jar \
    -files $jars,$HOME/sandbox/hadoop/streaming/map/tweetMapper.py,$HOME/sandbox/hadoop/streaming/data/keywords.txt,$HOME/sandbox/hadoop/streaming/data/follow-r3.txt \
     -libjars $jars \
     -input /user/ahanna/avrotest/avrotest.json.avro \
     -output output \
     -mapper "tweetMapper.py -a" \
     -reducer org.apache.hadoop.mapred.lib.IdentityReducer \
     -inputformat org.apache.avro.mapred.AvroAsTextInputFormat \
     -numReduceTasks 1

我正在拉扯我的头发试图解决这个问题。任何建议都会非常感激。

4

1 回答 1

1

不确定您是否仍在寻找答案。\u 似乎是 unicode 字符。尝试类似的东西

   resp = json.dumps(line) 
   data = json.loads(resp)

如果是导致错误的 unicode 表示，则转储将解决它。

于 2013-07-18T19:33:39.210 回答