我正在试验一个名为vowpal wabbit的机器学习包。 为了我们的Hadoop集群上运行vowpal wabbit,它建议做:将hive中“select”的输出作为Hadoop jar输入文件的输入
hadoop jar /usr/lib/hadoop-0.20-mapreduce/contrib/streaming/hadoop-streaming-2.0.0-mr1-cdh4.3.0.jar \
-Dmapred.job.name="vw allreduce $in_directory" \
-Dmapred.map.tasks.speculative.execution=true \
-Dmapred.reduce.tasks=0 \
-Dmapred.child.java.opts="-Xmx100m" \
-Dmapred.task.timeout=600000000 \
-Dmapred.job.map.memory.mb=1000 \
-input <in_directory> \
-output <out_directory> \
-file /home/produser/vowpal_wabbit/vowpalwabbit/vw \
-file /usr/lib64/libboost_program_options.so.5 \
-file /lib64/libz.so.1 \
-file /home/produser/vowpal_wabbit/cluster/runvw-yarn.sh \
-mapper /home/produser/vowpal_wabbit/cluster/runvw-yarn.sh \
-reducer NONE
其中runvw-yarn.sh,作为一个映射,将每台机器上调用vowpal wabbit的命令与储存在其上的数据块
我在传递数据之前必须重新格式化数据。我尝试使用hive查询从网格中选择数据,重新格式化数据,然后将其传递给“hadoop jar”命令。但我不想将重新格式化的数据存储在我们的群集上以浪费空间。所以我不知道在“hadoop jar”命令中的“-input”选项后应该放什么。
所以我的问题是,有没有办法在“-input”命令之后加入“stdin”之类的东西? 在我选择数据之后,我应该在哪里将“hadoop jar”命令放入我的配置单元查询中?
P.S.我发现“配置单元 - 服务jar”,它看起来像hadoop jar类似,这在这里有帮助吗?
谢谢!几周前我刚开始学习hadoop和hive,所以如果你有更好的设计或解决方案,请随时告诉我。我可以改写每一件事。
您可以存储重新格式化的数据并在作业完成后删除它?我认为hadoop不能支持你所说的“stdin”,因为它是一个本地的“stdin”,但map reduce任务可能会在其他节点上运行。 – zsxwing