HTML 태그가 포함 된 파일의 Hadoop Mapreduce 작업

Question

나는 많은 큰 HTML 파일을 가지고 있으며 가장 자주 사용되는 단어를 찾기 위해 Hadoop Mapreduce 작업을 실행하고 싶습니다. 나는 Mapper와 Reduer를 파이썬으로 작성하고 Hadoop 스트리밍을 사용하여 실행했습니다.

여기 내 맵퍼가 있습니다.

#!/usr/bin/env python

import sys
import re
import string

def remove_html_tags(in_text):
'''
Remove any HTML tags that are found. 

'''
    global flag
    in_text=in_text.lstrip()
    in_text=in_text.rstrip()
    in_text=in_text+"\n"

    if flag==True: 
        in_text="<"+in_text
        flag=False
    if re.search('^<',in_text)!=None and re.search('(>\n+)$', in_text)==None: 
        in_text=in_text+">"
        flag=True
    p = re.compile(r'<[^<]*?>')
    in_text=p.sub('', in_text)
    return in_text

# input comes from STDIN (standard input)
global flag
flag=False
for line in sys.stdin:
    # remove leading and trailing whitespace, set to lowercase and remove HTMl tags
    line = line.strip().lower()
    line = remove_html_tags(line)
    # split the line into words
    words = line.split()
    # increase counters
    for word in words:
       # write the results to STDOUT (standard output);
       # what we output here will be the input for the
       # Reduce step, i.e. the input for reducer.py
       #
       # tab-delimited; the trivial word count is 1
       if word =='': continue
       for c in string.punctuation:
           word= word.replace(c,'')

       print '%s\t%s' % (word, 1)

여기 내 감속기는 다음과 같습니다.

#!/usr/bin/env python

from operator import itemgetter
import sys

# maps words to their counts
word2count = {}

# input comes from STDIN
for line in sys.stdin:
    # remove leading and trailing whitespace
    line = line.strip()

    # parse the input we got from mapper.py
    word, count = line.split('\t', 1)
    # convert count (currently a string) to int
    try:
        count = int(count)
        word2count[word] = word2count.get(word, 0) + count
    except ValueError:
        pass

sorted_word2count = sorted(word2count.iteritems(), 
key=lambda(k,v):(v,k),reverse=True)

# write the results to STDOUT (standard output)
for word, count in sorted_word2count:
    print '%s\t%s'% (word, count)

'Hello World Hello Hello World ...'와 같은 작은 샘플 작은 문자열을 파이프 할 때마다 순위 목록의 적절한 출력을 얻습니다. 그러나 작은 HTML 파일을 사용하고 고양이를 사용하여 HTML을 내 맵퍼에 파이프로 파이프로 사용하려고하면 다음 오류가 발생합니다 (Input2는 일부 HTML 코드가 포함되어 있음).

rohanbk@hadoop:~$ cat input2 | /home/rohanbk/mapper.py | sort | /home/rohanbk/reducer.py
Traceback (most recent call last):
  File "/home/rohanbk/reducer.py", line 15, in <module>
    word, count = line.split('\t', 1)
ValueError: need more than 1 value to unpack

누구든지 내가 왜 이것을 얻고 있는지 설명 할 수 있습니까? 또한 MapReduce 작업 프로그램을 디버깅하는 좋은 방법은 무엇입니까?

Answer 1

당신은 단지 다음에도 불구하고 버그를 재현 할 수 있습니다.

echo "hello - world" | ./mapper.py  | sort | ./reducer.py

문제는 다음과 같습니다.

if word =='': continue
for c in string.punctuation:
           word= word.replace(c,'')

만약에 word 위의 입력 (분할 후)의 경우와 마찬가지로 단일 구두점 마크입니다. 그런 다음 빈 문자열로 변환됩니다. 따라서 교체 후 빈 문자열에 대한 검사를 이동하십시오.