访问MRjob的hdfs的流输出

Question

我正在尝试使用Python驱动程序来运行一个迭代的MRjob程序。退出条件取决于计数器。

作业本身似乎正在运行。如果我从命令行运行一次迭代，那么我就可以hadoop fs -cat /user/myname/myhdfsdir/part-00000并查看单次迭代的预期结果。

但是，我需要使用Python驱动程序来运行代码并从runner访问计数器。这是因为它是一种迭代算法，需要计数器的值来确定退出标准。

OUTPUT_PATH = /user/myname/myhdfsdir
!hadoop fs -rm -r {OUTPUT_PATH}

from my_custom_MRjob import my_custom_MRjob

mr_job = my_custom_MRjob(args=["localDir/localTextFile.txt", 
                                     "-r", "hadoop", 
                                     "--output-dir=hdfs://"+OUTPUT_PATH, 
                                     "--no-output"])

while True:
    with mr_job.make_runner() as runner:
        print runner.get_opts()
        runner.run()
        with open('localDir/localTextFile.txt', 'w') as f:
            for line in runner.stream_output():
                key,value =  mr_job.parse_output_line(line)
                #
                f.write(key +'\t'+ value +'\n')
        print "End of MRjob iteration. Counters: {}".format(runner.counters())
        # read a particular counter
        # use counter value to evaluate exit criteria
        if exit_criteria_met:
            break

这会产生以下错误：

IOErrorTraceback (most recent call last)
<ipython-input-136-aded8ecaa727> in <module>()
     25         runner.run()
     26         with open('localDir/localTextFile.txt', 'w') as f:
---> 27             for line in runner.stream_output():
     28                 key,value =  mr_job.parse_output_line(line)
     29                 #

/home/myname/.conda/envs/py27/lib/python2.7/site-packages/mrjob/util.pyc in _to_lines(chunks)
    391     leftovers = []
    392 
--> 393     for chunk in chunks:
    394         # special case for b'' standing for EOF
    395         if chunk == b'':

/home/myname/.conda/envs/py27/lib/python2.7/site-packages/mrjob/runner.pyc in cat_output(self)
    555                 yield b''  # EOF of previous file
    556 
--> 557             for chunk in self.fs._cat_file(filename):
    558                 yield chunk
    559 

/home/myname/.conda/envs/py27/lib/python2.7/site-packages/mrjob/fs/composite.pyc in _cat_file(self, path)
     75 
     76     def _cat_file(self, path):
---> 77         for line in self._do_action('_cat_file', path):
     78             yield line
     79 

/home/myname/.conda/envs/py27/lib/python2.7/site-packages/mrjob/fs/hadoop.pyc in _cat_file(self, filename)
    272 
    273         if returncode != 0:
--> 274             raise IOError("Could not stream %s" % filename)
    275 
    276     def mkdir(self, path):

IOError: Could not stream hdfs://hdfs:/user/myname/myhdfsdir/part-00000

尤其令人困惑和沮丧的是：hdfs://hdfs:/user/myname/myhdfsdir/part-00000。注意，URL中有两个hdfs方案，但在第二个hdfs实例中只有一个正斜杠。我已经尝试在mrjob args："--output-dir=hdfs://"+OUTPUT_PATH中添加和删除文本hdfs://。在这两种情况下，我都得到了相同的错误签名。

如果我在“本地”模式而不是Hadoop模式下运行驱动程序，就不会有任何问题，只有一个明显而关键的例外，那就是我无法访问Hadoop引擎。这可以很好地工作：

mr_job = my_custom_MRjob(args=["localDir/localTextFile.txt"])

我需要读取初始输入文件，总是从本地文件系统读取(即使在Hadoop模式下也是如此)。然后运行MRjob迭代，其输出覆盖本地文件系统输入文件。然后从runner访问计数器并评估退出条件。如果不满足退出条件，则使用来自本地文件系统的输入再次运行作业，这一次使用上次运行时更新的本地输入文件。

Answer 1

只要你有一个包含hdfs:/的路径，你就不会成功，因为它永远不会是有效的。

您在评论中提到您尝试手动添加hdfs://，这可能是一个很好的技巧，但在您的代码中，我没有看到您“清理”了错误的hdfs:/。因此，即使您添加了正确的前缀，下一行内容也将是错误的，并且代码仍然没有成功的机会。

所以，请把它清理干净。

实用提示:这个问题是一段时间以前的问题，如果软件本身有问题，现在可能已经解决了。如果问题仍然存在，很可能是您尝试使用的代码中有一些奇怪的东西。也许可以从一个可靠来源的微不足道的例子开始排除这种可能性。