使用Hadoop流处理gzip文件

我看到许多关于将hadoop MapReduce结果输出为gzip格式或任何其他压缩格式的文章。但是，我不太了解hadoop-streaming如何读入（输入）压缩格式。我看到了一些较旧的帖子，内容涉及使用-jobconf stream.recordreader.compression=gzip http://mail-archives.apache.org/mod_mbox/hadoop-common-user/200907.mbox/%3C73e5a5310907141349k3329c5cua4bb58fcf103522@mail.gmail.com%3E来做输入部分。当前，我在Ubuntu LTS 12.04上使用Cloudera CDH 5。用python编写mapper和reducer。

不需要其他命令行参数，Hadoop流作业自然支持Gzip输入。Gzip文件将被自动检测并解压缩。只需使用-input选项传递gzip文件即可。这是一个非常简单的示例：

$ hadoop jar /usr/lib/hadoop-mapreduce/hadoop-streaming.jar -input /user/johndoe/test_input.gz -output /user/johndoe/output -mapper /bin/cat -reducer /usr/bin/wc

在输入方面，使用Python映射器和reducer不会更改任何内容。

我注意到的一个警告但尚未解决：使用带有-inputreader "StreamXmlRecordReader,begin=page,end=/page"选项的gzip输入不会产生任何输出。