我已經在R中完成了映射縮減代碼以在Amazon EMR中運行。R Reducer在亞馬遜EMR中無法正常工作
我的輸入文件格式: URL1 word1 word2 word3 URL2 word4 word2 word3 URL3 word1 word7 word2
我期待的輸出爲:URL是CONCAT用空格 word1 URL1 URL3 word2 URL1 URL2 URL3 word3 URL1 URL2 .. ... ..
但EMR採用3級減速器和創建3個輸出文件。文件明智的輸出是正確的,它是合併值,沒有重複的鍵。但是如果我們看到3個文件在一起,就有重複的鍵。
輸出文件1: word1 URL1 URL3 word2 URL1 .. ..
輸出文件2: word2 URL2 URL3 word3 URL1 .. ..
看到,word2
被分配到2個文件。我需要一個密鑰只在一個文件中。
我在EMR中使用Hadoop Streaming。請建議我使用正確的設置刪除不同文件中的重複密鑰。
我假設我的映射器工作正常。這是我的減速器:
process <- function(mat){
rows = nrow(mat)
cols = ncol(mat)
for(i in 1:rows)
{
for(j in i+1:rows)
{
if(j<=rows)
{
if(toString(mat[i,1])==toString(mat[j,1]))
{
x<-paste(mat[i,2],mat[j,2],sep=" ")
mat[i,2]=x
mat<-mat[-j,]
rows<-rows-1
}
}
}
}
write.table(mat, file=stdout(), quote=FALSE, row.names=FALSE, col.names=FALSE)
}
reduce <- function(input){
#create column names to make is easier to work with the data set
names <- c("word", "value")
cols = as.list(vector(length=2, mode="character"))
names(cols) <- names
#read from the input
hsTableReader(file=input, cols, ignoreKey=TRUE, chunkSize=100000, FUN=process, sep=" ")
}
你可以分享你正在運行的代碼嗎? – josliber