如何计算一个单词序列在文件中出现的次数，使用Python中的MapReduce？

Question

考虑一个包含由空格分隔的单词的文件； 在Python中编写一个MapReduce程序，统计每个3字序列在文件中出现的次数。

例如，考虑以下文件：

one two three seven one two three
three seven one
seven one two

每个 3 字序列在该文件中出现的次数为：

"three seven one" 2
"four seven one two" 1
"one two three" 2
"seven one two" 2
"two three seven" 1

代码格式：

from mrjob.job import MRJob


class MR3Nums(MRJob):
    
    def mapper(self,_, line):
        pass

    def reducer(self,key, values):
        pass
    

if __name__ == "__main__":
    MR3Nums.run()

Answer 1

映射器应用于每一行，并且应该计算每个 3-word 序列，即产生 3-word 序列以及计数为 1。

使用key和values调用 reducer，其中key是一个 3 字序列，而values是一个计数列表（这将是一个 1 的列表）。 reducer 可以简单地返回一个 3 词序列的元组和出现的总次数，后者通过 sum 获得。

class MR3Nums(MRJob):
    
    def mapper(self, _, line):
        sequence_length = 3
        words = line.strip().split()
        for i in range(len(words) - sequence_length + 1):
            yield " ".join(words[i:(i+sequence_length)]), 1

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