0

我想使用输入格式 s3a 在 MapReduce 中处理 CommonCrawl WARC 文件。

问题是输入行末尾的回车符被删除，取而代之的是制表符（因为它是默认分隔符）。

为什么会这样？

这是我启动 MapReduce 的代码

time yarn jar /usr/hdp/current/hadoop-mapreduce-client/hadoop-streaming.jar \
  -D mapred.compress.map.output=true \
  -D mapred.reduce.tasks=0 \
  -D mapred.job.name=cc \
  -D fs.s3a.aws.credentials.provider=org.apache.hadoop.fs.s3a.AnonymousAWSCredentialsProvider \
  -files mapper.py \
  -archives wasbs://cluster@ccscsg.blob.core.windows.net/user/ubuntu/virtualenv/.venv2.zip#venv \
  -mapper mapper.py \
  -input s3a://commoncrawl/crawl-data/CC-MAIN-2018-39/segments/1537267155413.17/warc/CC-MAIN-20180918130631-20180918150631-00000.warc.gz \
  -output /output_warc

映射器.py

#!./venv/bin/python
import sys
for line in sys.stdin:
    sys.stdout.write(line)
4

1 回答 1

0

你可以设置-D mapreduce.output.textoutputformat.separator=$'\r'. 但这将为\r每一行添加一个，即使输入中没有一个。

MapReduce 作业期望映射器输出一对，用于分隔输出中键和值的分隔符由 (mapreduce.output.textoutputformat.separator` 设置（制表符是默认值）。

顺便说一句，WARC 文件不是文本文件 - 有二进制有效负载（PDF、图像）并且 HTML 没有固定的内容编码。您可以考虑使用 WARC 解析库（例如，warcio）或简单地使用cc-mrjob或cc-pyspark进行处理。

于 2019-01-20T17:52:35.853 回答