3

我正在尝试使用 Cloudera 5.5.0 实现一个简单的 Hadoop map reduce 示例 应该使用 Python 2.6.6 实现 map 和 reduce 步骤

问题:

  • 如果脚本在 unix 命令行上执行,它们工作得非常好并产生预期的输出。

cat join2*.txt | ./join3_mapper.py | 排序 | ./join3_reducer.py

  • 但是将脚本作为 hadoop 任务执行非常失败

hadoop jar /usr/lib/hadoop-mapreduce/hadoop-streaming.jar -input /user/cloudera/inputTV/join2_gen*.txt -output /user/cloudera/output_tv -mapper /home/cloudera/join3_mapper.py -reducer /主页/cloudera/join3_reducer.py -numReduceTasks 1

16/01/06 12:32:32 INFO mapreduce.Job: Task Id : attempt_1452069211060_0026_r_000000_0, Status : FAILED Error: java.lang.RuntimeException: PipeMapRed.waitOutputThreads(): subprocess failed with code 1 at org.apache.hadoop.streaming.PipeMapRed.waitOutputThreads(PipeMapRed.java:325) at org.apache.hadoop.streaming.PipeMapRed.mapRedFinished(PipeMapRed.java:538) at org.apache.hadoop.streaming.PipeReducer.close(PipeReducer.java:134) at org.apache.hadoop.io.IOUtils.cleanup(IOUtils.java:244) at org.apache.hadoop.mapred.ReduceTask.runOldReducer(ReduceTask.java:459) at org.apache.hadoop.mapred.ReduceTask.run(ReduceTask.java:392) at org.apache.hadoop.mapred.YarnChild$2.run(YarnChild.java:163) at java.security.AccessController.doPrivileged(Native Method) at javax.security.auth.Subject.doAs(Subject.java:415) at org.apache.hadoop.security.UserGroupInformation.doAs(UserGroupInformation.java:1671) at org.apache.hadoop.mapred.YarnChild.main(YarnChild.java:158)

  • 映射器工作,如果使用 -numReduceTasks 0 执行 hadoop 命令,则 hadoop 作业仅执行映射步骤,成功结束,输出目录包含映射步骤的结果文件。

  • 我想reduce步骤一定有问题吗?

  • Hue 中的 stderr 日志没有显示任何相关内容:

日志上传时间:2016 年 1 月 6 日星期三 12:33:10 -0800 日志长度:222 log4j:WARN 找不到记录器(org.apache.hadoop.ipc.Server)的附加程序。log4j:WARN 请正确初始化 log4j 系统。log4j:WARN 有关详细信息,请参阅http://logging.apache.org/log4j/1.2/faq.html#noconfig

脚本代码:第一个文件:join3_mapper.py

#!/usr/bin/env python

import sys

for line in sys.stdin:
   line       = line.strip()   #strip out carriage return
   tuple2  = line.split(",")   #split line, into key and value, returns a list

   if len(tuple2) == 2:
      key = tuple2[0]
      value = tuple2[1]
      if value == 'ABC':
         print('%s\t%s' % (key, value) )
      elif value.isdigit():
         print('%s\t%s' % (key, value) ) 

第二个文件:join3_reducer.py

#!/usr/bin/env python
import sys

last_key      = None              #initialize these variables
running_total = 0
abcFound =False;
this_key      = None

# -----------------------------------
# Loop the file
#  --------------------------------
for input_line in sys.stdin:
    input_line = input_line.strip()

    # --------------------------------
    # Get Next Key value pair, splitting at tab
    # --------------------------------
    tuple2 = input_line.split("\t") 

    this_key = tuple2[0]    
    value = tuple2[1]
    if value.isdigit():
        value = int(value) 

    # ---------------------------------
    # Key Check part
    #    if this current key is same 
    #          as the last one Consolidate
    #    otherwise  Emit
    # ---------------------------------
    if last_key == this_key:     
        if value == 'ABC':  # filter for only ABC in TV shows
            abcFound=True;
        else:
            if isinstance(value, (int,long) ): 
                running_total += value   

    else:
        if last_key:         #if this key is different from last key, and the previous 
                             #   (ie last) key is not empy,
                             #   then output 
                             #   the previous <key running-count>
           if abcFound:
              print('%s\t%s' % (last_key, running_total) )
              abcFound=False;

        running_total = value    #reset values
        last_key = this_key

if last_key == this_key:
    print('%s\t%s' % (last_key, running_total) )

我尝试了各种不同的方式将输入文件声明为 hadoop 命令,没有区别,没有成功。

我究竟做错了什么 ?提示,想法非常感谢谢谢

4

2 回答 2

1

尝试将所有输入文本文件放在一个目录中,然后将该目录作为输入传递。这样您就不必合并所有输入文件

于 2017-02-04T08:06:02.903 回答
1

多么幸运的一​​拳,与那个人战斗了好几天,并且知道我成功了:

由于本地(unix)执行

cat join2_gen*.txt | ./join2_mapper.py | sort | ./join2_reducer.py

工作得很好我有想法使用 1 个合并的输入文件,而不是提供的 6 个输入文件,所以:

cat join2_gen*.txt >> mergedinputFile.txt

hdfs dfs -put mergedInputFile.txt /user/cloudera/input

然后再次执行相同的hadoop命令,将输入定向到输入文件夹中的mergedInputFile-->完美结果,没问题,没有异常工作完成。

对我来说,它提出了一个问题:

  • 为什么它使用一个合并的输入文件,但现在提供较小的 6 个文件?不知道(还)
于 2016-01-06T23:20:49.917 回答