从MRJob笔记本运行IPython

Question

我试着从IPython笔记本上运行mrjob示例

from mrjob.job import MRJob


class MRWordFrequencyCount(MRJob):

def mapper(self, _, line):
    yield "chars", len(line)
    yield "words", len(line.split())
    yield "lines", 1

def reducer(self, key, values):
    yield key, sum(values)  

然后用代码运行它。

mr_job = MRWordFrequencyCount(args=["testfile.txt"])
with mr_job.make_runner() as runner:
    runner.run()
    for line in runner.stream_output():
        key, value = mr_job.parse_output_line(line)
        print key, value

并得到错误：

TypeError: <module '__main__' (built-in)> is a built-in class

有办法从IPython笔记本上运行mrjob吗？

Answer 1

我还没有找到“完美的方法”，但您可以做的一件事是使用%%file魔术创建一个笔记本单元，将单元格内容写入文件：

%%file wordcount.py
from mrjob.job import MRJob

class MRWordFrequencyCount(MRJob):

    def mapper(self, _, line):
        yield "chars", len(line)
        yield "words", len(line.split())
        yield "lines", 1

    def reducer(self, key, values):
        yield key, sum(values)

然后让mrjob在以后的单元格中运行该文件：

import wordcount
reload(wordcount)

mr_job = wordcount.MRWordFrequencyCount(args=['example.txt'])
with mr_job.make_runner() as runner:
    runner.run()
    for line in runner.stream_output():
        key, value = mr_job.parse_output_line(line)
        print key, value

注意，我调用了我的文件wordcount.py，并从MRWordFrequencyCount模块导入了类MRWordFrequencyCount --文件名和模块必须匹配。另外，Python缓存导入的模块，并且当您更改wordcount.py-file时，iPython不会重新加载模块，而是使用旧的缓存模块。这就是我把reload()电话放进去的原因。

参考资料：https://groups.google.com/d/msg/mrjob/CfdAgcEaC-I/8XfJPXCjTvQJ

更新(更短)

对于较短的第二个笔记本单元，您可以通过从笔记本中调用shell来运行mrjob。

! python mrjob.py shakespeare.txt

参考资料：http://jupyter.cs.brynmawr.edu/hub/dblank/public/Jupyter%20Magics.ipynb

Answer 2

我怀疑这是由于这一限制在MRJob网站上说的：

带有作业类的文件被发送到Hadoop以运行。因此，作业文件不能尝试启动Hadoop作业，否则您将递归地创建Hadoop作业！运行作业的代码应该只在Hadoop上下文之外运行。

或者，可能是因为您没有以下内容(参考文献)：

if __name__ == '__main__':  
  MRWordCounter.run()  # where MRWordCounter is your job class