我有一个问题可以通过“typedbytes”或“rawbytes”模式下的 Hadoop Streaming 解决，它允许用 Java 以外的语言分析二进制数据。 (如果没有这个，Streaming 会将一些字符(通常是\t 和\n)解释为分隔符并提示非 utf-8 字符。将我所有的二进制数据转换为 Base64 会减慢工作流程，从而达不到目的。)
这些二进制模式是由 HADOOP-1722 添加的.在调用 Hadoop Streaming 作业的命令行上，“-io rawbytes”让您将数据定义为 32 位整数大小，后跟该大小的原始数据，“-io typedbytes”让您将数据定义为 1 - 位零(这意味着原始字节)，后跟 32 位整数大小，然后是该大小的原始数据。我已经创建了这些格式的文件(带有一条或多条记录)，并通过检查/对照 typedbytes.py 的输出来验证它们的格式是否正确.我还尝试了所有可能的变体(大端、小端、不同的字节偏移等)。我正在使用 Hadoop 0.20 from CDH4 ，它具有实现 typedbytes 处理的类，并且在设置“-io”开关时进入这些类。
我使用“hadoop fs -copyFromLocal”将二进制文件复制到 HDFS。当我尝试将它用作 map-reduce 作业的输入时，它失败并在它尝试生成我指定长度(例如 3 个字节)的字节数组的行上出现 OutOfMemoryError。它一定是错误地读取了数字并尝试分配一个巨大的 block 。尽管如此，它确实设法向映射器获取记录(之前的记录？不确定)，映射器将其写入标准错误以便我可以看到它。记录的开头总是有太多字节:例如，如果文件是“\x00\x00\x00\x00\x03hey”，映射器会看到“\x04\x00\x00\x00\x00\x00\x00\x00\x00\x07\x00\x00\x00\x08\x00\x00\x00\x00\x03hey”(可重现的位，虽然我看不到任何模式)。
来自 this talk 的第 5 页，我了解到有流式传输的“loadtb”和“dumptb”子命令，它们一步到位地复制到/从 HDFS 并将键入的字节包装/解包到 SequenceFile 中。当与“-inputformat org.apache.hadoop.mapred.SequenceFileAsBinaryInputFormat”一起使用时，Hadoop 正确解压缩了 SequenceFile，但随后以完全相同的方式误解了其中包含的类型字节。
此外，我找不到有关此功能的文档。 2 月 7 日(我通过电子邮件发送给自己)，它在 streaming.html page on Apache 中被简要提及。 , 但此 r0.21.0 网页已被删除并且 the equivalent page for r1.1.1没有提到 rawbytes 或 typedbytes。
所以我的问题是:在 Hadoop Streaming 中使用 rawbytes 或 typedbytes 的正确方法是什么？有没有人让它工作？如果是这样，有人可以张贴食谱吗？对于任何想在 Hadoop Streaming 中使用二进制数据的人来说，这似乎都是一个问题，这应该是一个相当广泛的群体。
附言我注意到 Dumbo , Hadoopy , 和 rmr所有人都使用此功能，但应该有一种方法可以直接使用它，而无需通过基于 Python 或基于 R 的框架进行中介。
最佳答案
好的，我找到了一个有效的组合，但它很奇怪。
按照 documentation 在本地文件系统中准备一个有效的 typedbytes 文件或者通过模仿 typedbytes.py .
使用
hadoop jar path/to/streaming.jar loadtb path/on/HDFS.sequencefile < local/typedbytes.tb
将 typedbytes 包装在一个 SequenceFile 中，并一步将其放入 HDFS。
使用
hadoop jar path/to/streaming.jar -inputformat org.apache.hadoop.mapred.SequenceFileAsBinaryInputFormat ...
运行 map-reduce 作业，其中映射器从 SequenceFile 获取输入。请注意，-io typedbytes 或 -D stream.map.input=typedbytes 应该不被使用——明确要求 typedbytes 会导致我在问题中描述的误解。但不要担心:Hadoop Streaming 在其二进制记录边界上而不是在其“\n”字符上拆分输入。数据作为“原始数据”到达映射器，由“\t”和“\n”分隔，如下所示:
如果你想另外将原始数据从 mapper 发送到 reducer，添加
-D stream.map.output=typedbytes -D stream.reduce.input=typedbytes
到您的 Hadoop 命令行并将映射器的输出和缩减器的预期输入格式化为有效的类型字节。它们还交替使用键值对，但这次使用类型字符，不使用 '\t' 和 '\n'。 Hadoop Streaming 在二进制记录边界上正确拆分这些对，并按键分组。
我能找到的关于 stream.map.output 和 stream.reduce.input 的唯一文档是在 HADOOP-1722 中。 exchange，从 2009 年 2 月 6 日开始。(之前的讨论考虑了一种不同的格式参数化方式。)
本节不为输入提供强类型:在创建 SequenceFile 并使用 -inputformat 解释它的过程中，类型字符会丢失。但是，它确实提供了二进制记录边界的拆分，而不是 '\n'，这是非常重要的，并且在映射器和缩减器之间提供了强类型。
关于hadoop - 如何在 Hadoop Streaming 中使用 "typedbytes"或 "rawbytes"？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/15171514/
我正在学习如何使用Nokogiri，根据这段代码我遇到了一些问题:require'rubygems'require'mechanize'post_agent=WWW::Mechanize.newpost_page=post_agent.get('http://www.vbulletin.org/forum/showthread.php?t=230708')puts"\nabsolutepathwithtbodygivesnil"putspost_page.parser.xpath('/html/body/div/div/div/div/div/table/tbody/tr/td/div
我有一个Ruby程序，它使用rubyzip压缩XML文件的目录树。gem。我的问题是文件开始变得很重，我想提高压缩级别，因为压缩时间不是问题。我在rubyzipdocumentation中找不到一种为创建的ZIP文件指定压缩级别的方法。有人知道如何更改此设置吗？是否有另一个允许指定压缩级别的Ruby库？ 最佳答案 这是我通过查看rubyzip内部创建的代码。level=Zlib::BEST_COMPRESSIONZip::ZipOutputStream.open(zip_file)do|zip|Dir.glob("**/*")d
类classAprivatedeffooputs:fooendpublicdefbarputs:barendprivatedefzimputs:zimendprotecteddefdibputs:dibendendA的实例a=A.new测试a.foorescueputs:faila.barrescueputs:faila.zimrescueputs:faila.dibrescueputs:faila.gazrescueputs:fail测试输出failbarfailfailfail.发送测试[:foo,:bar,:zim,:dib,:gaz].each{|m|a.send(m)resc
很好奇，就使用rubyonrails自动化单元测试而言，你们正在做什么？您是否创建了一个脚本来在cron中运行rake作业并将结果邮寄给您？git中的预提交Hook？只是手动调用？我完全理解测试，但想知道在错误发生之前捕获错误的最佳实践是什么。让我们理所当然地认为测试本身是完美无缺的，并且可以正常工作。下一步是什么以确保他们在正确的时间将可能有害的结果传达给您？ 最佳答案 不确定您到底想听什么，但是有几个级别的自动代码库控制:在处理某项功能时，您可以使用类似autotest的内容获得关于哪些有效，哪些无效的即时反馈。要确保您的提
假设我做了一个模块如下:m=Module.newdoclassCendend三个问题:除了对m的引用之外，还有什么方法可以访问C和m中的其他内容？我可以在创建匿名模块后为其命名吗(就像我输入“module...”一样)？如何在使用完匿名模块后将其删除，使其定义的常量不再存在？ 最佳答案 三个答案:是的，使用ObjectSpace.此代码使c引用你的类(class)C不引用m:c=nilObjectSpace.each_object{|obj|c=objif(Class===objandobj.name=~/::C$/)}当然这取决于
出于纯粹的兴趣，我很好奇如何按顺序创建PI，而不是在过程结果之后生成数字，而是让数字在过程本身生成时显示。如果是这种情况，那么数字可以自行产生，我可以对以前看到的数字实现垃圾收集，从而创建一个无限系列。结果只是在Pi系列之后每秒生成一个数字。这是我通过互联网筛选的结果:这是流行的计算机友好算法，类机器算法:defarccot(x,unity)xpow=unity/xn=1sign=1sum=0loopdoterm=xpow/nbreakifterm==0sum+=sign*(xpow/n)xpow/=x*xn+=2sign=-signendsumenddefcalc_pi(digits
我正在尝试使用ruby和Savon来使用网络服务。测试服务为http://www.webservicex.net/WS/WSDetails.aspx?WSID=9&CATID=2require'rubygems'require'savon'client=Savon::Client.new"http://www.webservicex.net/stockquote.asmx?WSDL"client.get_quotedo|soap|soap.body={:symbol=>"AAPL"}end返回SOAP异常。检查soap信封，在我看来soap请求没有正确的命名空间。任何人都可以建议我
关闭。这个问题是opinion-based.它目前不接受答案。想要改进这个问题？更新问题，以便editingthispost可以用事实和引用来回答它.关闭4年前。Improvethisquestion我想在固定时间创建一系列低音和高音调的哔哔声。例如:在150毫秒时发出高音调的蜂鸣声在151毫秒时发出低音调的蜂鸣声200毫秒时发出低音调的蜂鸣声250毫秒的高音调蜂鸣声有没有办法在Ruby或Python中做到这一点？我真的不在乎输出编码是什么(.wav、.mp3、.ogg等等)，但我确实想创建一个输出文件。
我正在尝试测试是否存在表单。我是Rails新手。我的new.html.erb_spec.rb文件的内容是:require'spec_helper'describe"messages/new.html.erb"doit"shouldrendertheform"dorender'/messages/new.html.erb'reponse.shouldhave_form_putting_to(@message)with_submit_buttonendendView本身，new.html.erb，有代码:当我运行rspec时，它失败了:1)messages/new.html.erbshou
我在从html页面生成PDF时遇到问题。我正在使用PDFkit。在安装它的过程中，我注意到我需要wkhtmltopdf。所以我也安装了它。我做了PDFkit的文档所说的一切......现在我在尝试加载PDF时遇到了这个错误。这里是错误:commandfailed:"/usr/local/bin/wkhtmltopdf""--margin-right""0.75in""--page-size""Letter""--margin-top""0.75in""--margin-bottom""0.75in""--encoding""UTF-8""--margin-left""0.75in""-