R + Hadoop：如何从HDFS读取CSV文件并执行mapreduce？

Question

在以下示例中：

  small.ints = to.dfs(1:1000)
  mapreduce(
    input = small.ints, 
    map = function(k, v) cbind(v, v^2))

mapreduce函数的数据输入是一个名为small.ints的对象，它引用了HDFS中的块。

现在我有一个已经存储在HDFS中的CSV文件了

"hdfs://172.16.1.58:8020/tmp/test_short.csv"

如何获得它的对象？

据我所知（可能是错误的），如果我想将CSV文件中的数据作为mapreduce的输入，我必须首先在R中生成一个包含CSV文件中所有值的表。 我有这样的方法：

data=from.dfs("hdfs://172.16.1.58:8020/tmp/test_short.csv",make.input.format(format="csv",sep=","))
mydata=data$val

似乎可以使用这个方法获取mydata，然后执行object = to.dfs（mydata），但问题是test_short.csv文件很大，大约是TB大小，而内存不能保存输出.dfs！

实际上，我想知道我是否直接使用“hdfs：//172.16.1.58：8020 / tmp / test_short.csv”作为mapreduce输入，而在map函数内部执行from.dfs（）的事情，我能否获取数据块？

无论如何，请给我一些建议！

Answer 1

mapreduce（input = path，input.format = make.input.format（...），map ...）

from.dfs用于小数据。 在大多数情况下，您不会在map函数中使用from.dfs。 参数已经包含一部分输入数据

Answer 2

您可以执行以下操作：

r.file <- hdfs.file(hdfsFilePath,"r")
from.dfs(
    mapreduce(
         input = as.matrix(hdfs.read.text.file(r.file)),
         input.format = "csv",
         map = ...
))

请给出积分，希望有人发现它有用。

注意：有关详细信息，请参阅stackoverflow帖子：

如何将HDFS文件输入R mapreduce进行处理，并将结果输入HDFS文件