MapReduce:连接数据文件并汇总信息

Question

我有以下数据集：

提供节目和该节目观众人数的数据集#1：

TVShow1,25
TVShow2,30
TVShow3,7
TVShow1,15

提供每个节目广播频道的数据集#2：

TVShow4,BBC
TVShow2,COM
TVShow1,TNT
TVShow3,TNT

我想计算TNT频道上每个节目的观众总数，例如

TVShow1 40
TVShow3 7

我有以下映射器：

#!/usr/bin/env python
import sys
for line in sys.stdin:
    line       = line.strip()
    key_value  = line.split(",")
    key_in     = key_value[0]
    value_in   = key_value[1]
    if (value_in == 'TNT' or value_in.isdigit()):
        print( '%st%s' % (key_in, value_in) )

和以下减速器：

#!/usr/bin/env python
import sys
prev_TV_show = "  "
line_cnt           = 0 
tnt_found = False
curr_TV_show_total_cnt = 0
for line in sys.stdin:
    line       = line.strip() 
    key_value  = line.split('t')
    line_cnt   = line_cnt+1     
    curr_TV_show  = key_value[0]
    value_in   = key_value[1]
    if curr_TV_show != prev_TV_show:
        prev_TV_show = curr_TV_show     
        if (line_cnt>1 and tnt_found == True): 
            print('{0} {1}'.format(curr_TV_show,curr_TV_show_total_cnt))
            tnt_found = False
            curr_TV_show_total_cnt = 0

    if (value_in == 'TNT'): 
        tnt_found = True 
    else:
        curr_TV_show_total_cnt += int(value_in) 

然后我测试了如下代码：

cat data_file*.txt | ./my_mapper.py | sort | ./my_reducer.py

然而，它认为第一行的观众总数是不正确的。它看起来像是合并在两个电视节目之间。代码中是否存在与管理第一行相关的错误？

Answer 1

我认为您的代码中有两个问题-

1. 更新prev_TV_show会导致打印错误的值。你实际上想要打印带有'count的prev_TV_show，而不是当前_TV_show
2. 打印最后一个迭代值-您需要在循环外添加一个额外的打印（+条件）