R + Hadoop:如何从HDFS读取CSV文件并执行mapreduce？

Question

在以下示例中:

  small.ints = to.dfs(1:1000)
  mapreduce(
    input = small.ints, 
    map = function(k, v) cbind(v, v^2))

mapreduce函数的数据输入是一个名为small.ints的对象,它引用了HDFS中的块.

现在我有一个已经存储在HDFS中的CSV文件了

"hdfs://172.16.1.58:8020/tmp/test_short.csv"

如何获得它的对象？

据我所知(可能是错误的),如果我想将CSV文件中的数据作为mapreduce的输入,我必须首先在R中生成一个包含CSV文件中所有值的表.我有这样的方法:

data=from.dfs("hdfs://172.16.1.58:8020/tmp/test_short.csv",make.input.format(format="csv",sep=","))
mydata=data$val

似乎可以使用这个方法获取mydata,然后执行object = to.dfs(mydata),但问题是test_short.csv文件很大,大约是TB大小,而内存不能保存输出.dfs!

实际上,我想知道我是否直接使用"hdfs://172.16.1.58:8020/tmp/test_short.csv"作为mapreduce输入,而在map函数内部执行from.dfs()的事情,我能否获取数据块？

无论如何,请给我一些建议!

Answer 1

mapreduce(输入 = 路径, input.format = make.input.format(...), 地图 ...)

from.dfs 适用于小数据。在大多数情况下，您不会在map函数中使用from.dfs。参数已经保存了部分输入数据