从IPython笔记本运行MRJob

Question

我试图从IPython笔记本运行mrjob示例

from mrjob.job import MRJob


class MRWordFrequencyCount(MRJob):

def mapper(self, _, line):
    yield "chars", len(line)
    yield "words", len(line.split())
    yield "lines", 1

def reducer(self, key, values):
    yield key, sum(values)  

然后用代码运行它

mr_job = MRWordFrequencyCount(args=["testfile.txt"])
with mr_job.make_runner() as runner:
    runner.run()
    for line in runner.stream_output():
        key, value = mr_job.parse_output_line(line)
        print key, value

并得到错误：

TypeError: <module '__main__' (built-in)> is a built-in class

有没有办法从IPython笔记本运行mrjob？

Answer 1

我怀疑是由于MRJob网站上的这一限制 ：

具有作业类的文件将发送到Hadoop以进行运行。 因此，作业文件无法尝试启动Hadoop作业，或者您将以递归方式创建Hadoop作业！运行作业的代码应仅在Hadoop上下文之外运行。

或者，可能是因为您没有以下（ 参考 ）：

if __name__ == '__main__':  
  MRWordCounter.run()  # where MRWordCounter is your job class

Answer 2

我还没有找到“完美的方式”，但你可以做的一件事是创建一个笔记本单元格，使用%%file魔术，将单元格内容写入文件：

%%file wordcount.py
from mrjob.job import MRJob

class MRWordFrequencyCount(MRJob):

    def mapper(self, _, line):
        yield "chars", len(line)
        yield "words", len(line.split())
        yield "lines", 1

    def reducer(self, key, values):
        yield key, sum(values)

然后让mrjob在稍后的单元格中运行该文件：

import wordcount
reload(wordcount)

mr_job = wordcount.MRWordFrequencyCount(args=['example.txt'])
with mr_job.make_runner() as runner:
    runner.run()
    for line in runner.stream_output():
        key, value = mr_job.parse_output_line(line)
        print key, value

请注意，我调用了我的文件wordcount.py并从wordcount模块导入了类MRWordFrequencyCount - 文件名和模块必须匹配。 Python也会缓存导入的模块，当你更改wordcount.py文件时，iPython不会重新加载模块，而是使用旧的缓存模块。 这就是我把reload()调用放在那里的原因。

参考： https ： //groups.google.com/d/msg/mrjob/CfdAgcEaC-I/8XfJPXCjTvQJ

更新（更短）
对于较短的第二个笔记本单元，您可以通过从笔记本中调用shell来运行mrjob

! python mrjob.py shakespeare.txt

参考： http ：//jupyter.cs.brynmawr.edu/hub/dblank/public/Jupyter%20Magics.ipynb