从Hadoop Mapreduce作业在HDFS上打开文件

Question

通常，我可以使用以下内容打开一个新文件：

aDict = {}
with open('WordLists/positive_words.txt', 'r') as f:
    aDict['positive'] = {line.strip() for line in f}

with open('WordLists/negative_words.txt', 'r') as f:
    aDict['negative'] = {line.strip() for line in f}

这将在WordLists文件夹中打开两个相关的文本文件，并将每一行作为肯定或否定附加到字典中。

但是，当我想在Hadoop中运行mapreduce作业时，我认为这行不通。 我正在运行我的程序，如下所示：

./hadoop/bin/hadoop jar contrib/streaming/hadoop-streaming-1.1.2.jar -D mapred.reduce.tasks=0 -file hadoop_map.py -mapper hadoop_reduce.py -input /toBeProcessed -output /Completed

我试图将代码更改为此：

with open('/mapreduce/WordLists/negative_words.txt', 'r')

其中mapreduce是HDFS上的文件夹，WordLists包含负词的子文件夹。 但是我的程序找不到这个。 我正在做的是可能的，如果可以的话，在HDFS上加载文件的正确方法是什么。

编辑

我现在已经尝试：

with open('hdfs://localhost:9000/mapreduce/WordLists/negative_words.txt', 'r')

这似乎有所作为，但是现在我得到了这样的输出：

13/08/27 21:18:50 INFO streaming.StreamJob:  map 0%  reduce 0%
13/08/27 21:18:50 INFO streaming.StreamJob:  map 50%  reduce 0%
13/08/27 21:18:50 INFO streaming.StreamJob:  map 0%  reduce 0%

然后工作失败。 所以还是不对。 有任何想法吗？

编辑2：

重新阅读API之后，我注意到我可以在终端中使用-files选项来指定文件。 API指出：

-files选项在任务的当前工作目录中创建指向该文件本地副本的符号链接。

在此示例中，Hadoop在任务的当前工作目录中自动创建一个名为testfile.txt的符号链接。 此符号链接指向testfile.txt的本地副本。

-files hdfs://host:fs_port/user/testfile.txt

因此，我运行：

./hadoop/bin/hadoop jar contrib/streaming/hadoop-streaming-1.1.2.jar -D mapred.reduce.tasks=0 -files hdfs://localhost:54310/mapreduce/SentimentWordLists/positive_words.txt#positive_words -files hdfs://localhost:54310/mapreduce/SentimentWordLists/negative_words.txt#negative_words -file hadoop_map.py -mapper hadoop_map.py -input /toBeProcessed -output /Completed

根据对API的理解，这会创建符号链接，因此我可以在代码中使用“ positive_words”和“ negative_words”，如下所示：

with open('negative_words.txt', 'r')

但是，这仍然行不通。 任何人都可以提供的任何帮助将不胜感激，因为在我解决此问题之前我无能为力。

编辑3：

我可以使用以下命令：

-file ~/Twitter/SentimentWordLists/positive_words.txt

以及我其余的命令来运行Hadoop作业。 这将在我的本地系统而不是HDFS上找到文件。 这不会引发任何错误，因此它在某处被接受为文件。 但是，我不知道如何访问该文件。

Answer 1

经过大量评论后的解决方案:)

在python中读取数据文件：使用-file发送数据并将以下内容添加到脚本中：

import sys

有时需要在import后添加：

sys.path.append('.')

（与Hadoop Streaming中的 @DrDee注释有关-无法找到文件错误 ）

Answer 2

以编程方式处理HDFS时，应查看FileSystem，FileStatus和Path。 这些是hadoop API类，使您可以在程序中访问HDFS。