在python中使用Hadoop处理大型csv文件

Question

我有一个巨大的CSV文件，我想在Amazon EMR（python）上使用Hadoop MapReduce进行处理。

该文件有7个字段，但是，我只查看日期和数量字段。

 "date" "receiptId" "productId" "quantity"  "price" "posId" "cashierId"

首先，我的mapper.py

import sys
def main(argv):
    line = sys.stdin.readline()
    try:
        while line:
            list = line.split('t')
            #If date meets criteria, add quantity to express key
                if int(list[0][11:13])>=17 and int(list[0][11:13])<=19:
                    print '%st%s' % ("Express", int(list[3]))
            #Else, add quantity to non-express key
                else:
                    print '%st%s' % ("Non-express", int(list[3]))
            line =  sys.stdin.readline()
except "end of file":
        return None
if __name__ == "__main__":
        main(sys.argv)

对于reducer，我将使用streaming命令：aggregate。

问题：

1. 我的代码正确吗？我在亚马逊电子病历中运行了它，但我得到了一个空输出。

2. 所以我的最终结果应该是：express，XXX和nonexpress，YYY。在返回结果之前，我可以让它做除法运算吗？只是XXX/YYY的结果。我应该把这个代码放在哪里？减速器？？

3. 此外，这是一个巨大的CSV文件，所以映射会把它分成几个分区吗？还是我需要显式调用FileSplit？如果是，我该怎么做？

Answer 1

在这里回答我自己的问题！

1. 代码错误。若使用聚合库进行reduce，则输出不遵循通常的键值对。它需要一个"前缀"。

   if int(list[0][11:13])>=17 and int(list[0][11:13])<=19:
       #This is the correct way of printing for aggregate library
       #Print all as a string.
       print  "LongValueSum:" + "Express" + "t" + list[3]
   

   其他可用的"前缀"有：DoubleValueSum、LongValueMax、LongValueMin、StringValueMax、StringValueMin、UniqValueCount、ValueHistogram。有关更多信息，请查看此处http://hadoop.apache.org/common/docs/r0.15.2/api/org/apache/hadoop/mapred/lib/aggregate/package-summary.html.

2. 是的，如果你想做的不仅仅是基本和、最小值、最大值或计数，你需要编写自己的减法器。

3. 我还没有答案。