Hadoop流访问目录中的文件

Question

我想访问Hadoop中的一个目录（通过Python流）并循环遍历其图像文件，计算我的映射器中每个的哈希值。以下逻辑是否有意义（而不是硬编码，我可以将目录作为例如-input传递给Hadoop）吗？

lotsdir= 'hdfs://localhost:54310/user/hduser/randomimages/' 
import glob
path = lotsdir + '*.*'
files = glob.glob(path)
files.sort()

imagehashes={}
for fname in files:
    imagehashes[fname]=pHash.imagehash( fname )

Answer 1

是的，逻辑是有道理的。

但由于您的输入文件不是文本格式，因此很可能会出现性能问题，因此无法在HDFS上正确分割它们。

希望Hadoop提供多种方法来解决该问题。例如，您可以：

• 将您的图像文件转换为SequenceFile并将其存储到HDFS中
• 写你自己的InputFormat，OutputFormat和RecordReader，以便正确地拆分它们

Answer 2

您还可以尝试将图像文件内容打印为编码字符串，如下所示：[[1,2,3]，[4,5,6]]变为1：2：3：4：5：6 in标准输入。然后你的映射器可以从标准输入读取并解码（因为你已经知道图像尺寸）它可以回到一个numpy数组（只有几行到数字 - extarction-ndarray-reshape）代码。这基本上成了你的形象。我正在开展一个类似的项目，并且遇到了这些问题。希望对你有效。