脚本之家 服务器常用软件
快捷导航
您的位置：首页 → 脚本专栏 → python → python读取hdfs parquet

python读取hdfs上的parquet文件方式

 更新时间：2020年06月06日 09:33:17   作者：二加三等于五  
这篇文章主要介绍了python读取hdfs上的parquet文件方式，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

在使用python做大数据和机器学习处理过程中，首先需要读取hdfs数据，对于常用格式数据一般比较容易读取，parquet略微特殊。从hdfs上使用python获取parquet格式数据的方法(当然也可以先把文件拉到本地再读取也可以)：

1、安装anaconda环境。

2、安装hdfs3。

conda install hdfs3

3、安装fastparquet。

conda install fastparquet

4、安装python-snappy。

conda install python-snappy

5、读取文件

##namenode mode:
from hdfs3 import HDFileSystem
from fastparquet import ParquetFile
 
hdfs = HDFileSystem(host=IP, port=8020)
sc = hdfs.open
 
pf = ParquetFile(filename, open_with=sc)
df = pf.to_pandas()
 
##返回pandas的DataFrame类型
 
##HA mode:
from hdfs3 import HDFileSystem
from fastparquet import ParquetFile
 
host = "nameservice1"
conf = {
    "dfs.nameservices":"nameservice1",
    ......
}
hdfs = HDFileSystem(host = host, pars = conf)
......

python访问HDFS HA的三种方法

python访问hdfs常用的包有三个，如下：

1、hdfs3

其实从安装便捷性和使用上来说，并不推荐hdfs3，因为他的系统依赖和网络要求较高，但是某些情况下使用hdfs3会比较方便，官网资料点这里。如上面介绍，IP直接访问namenode：

from hdfs3 import HDFileSystem
hdfs = HDFileSystem(host=namenode, port=8020)
hdfs.ls('/tmp')

HA访问：

host = "nameservice1"
conf = {"dfs.nameservices": "nameservice1",
    "dfs.ha.namenodes.nameservice1": "namenode113,namenode188",
    "dfs.namenode.rpc-address.nameservice1.namenode113": "hostname_of_server1:8020",
    "dfs.namenode.rpc-address.nameservice1.namenode188": "hostname_of_server2:8020",
    "dfs.namenode.http-address.nameservice1.namenode188": "hostname_of_server1:50070",
    "dfs.namenode.http-address.nameservice1.namenode188": "hostname_of_server2:50070",
    "hadoop.security.authentication": "kerberos"
}
fs = HDFileSystem(host=host, pars=conf)
 
##或者下面这种配置
host = "ns1"
conf = {
    "dfs.nameservices":"ns1",
 "dfs.ha.namenodes.ns1":"namenode122,namenode115",
 "dfs.namenode.rpc-address.ns1.namenode122":"nnlab01:8020",
 "dfs.namenode.servicerpc-address.ns1.namenode122":"nnlab01:8022",
 "dfs.namenode.http-address.ns1.namenode122":"nnlab01:50070",
 "dfs.namenode.https-address.ns1.namenode122":"nnlab01:50470",
 "dfs.namenode.rpc-address.ns1.namenode115":"nnlab02:8020",
 "dfs.namenode.servicerpc-address.ns1.namenode115":"nnlab02:8022",
 "dfs.namenode.http-address.ns1.namenode115":"nnlab02:50070",
 "dfs.namenode.https-address.ns1.namenode115":"nnlab02:50470",
}
hdfs = HDFileSystem(host = host, pars = conf)

2、hdfs

这种方法在使用的时候配置比较简单，官网资料也比较丰富，但是需要注意的是该API可以模拟用户访问，权限较大。IP直接访问：

import hdfs
client = hdfs.client.InsecureClient(url="http://namenode:50070", user="hdfs")

HA访问：

import hdfs
client = hdfs.client.InsecureClient(url="http://namenode1:50070;http://namenode2:50070", user="hdfs")

3、pyhdfs

安装命令：pip install PyHDFS

官网地址，直接访问：

import pyhdfs
client = pyhdfs.HdfsClient(hosts="namenode:50070",user_name="hdfs")

HA访问

import pyhdfs
client = pyhdfs.HdfsClient(hosts=["namenode1:50070","namenode2:50070"],user_name="hdfs")

补充知识：python spark中parquet文件写到hdfs，同时避免太多的小文件（block小文件合并）

在pyspark中，使用数据框的文件写出函数write.parquet经常会生成太多的小文件，例如申请了100个block，而每个block中的结果

只有几百K，这在机器学习算法的结果输出中经常出现，这是一种很大的资源浪费，那么如何同时避免太多的小文件（block小文件合并）？

其实有一种简单方法，该方法需要你对输出结果的数据量有个大概估计，然后使用Dataframe中的coalesce函数来指定输出的block数量

即可，具体使用代码如下：

df.coalesce(2).write.parquet(path,mode)

这里df是指你要写出的数据框，coalesce(2)指定了写到2个block中，一个block默认128M，path是你的写出路径，mode是写出模式，常用的是

"overwrite"和"append"。

以上这篇python读取hdfs上的parquet文件方式就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持脚本之家。

您可能感兴趣的文章:

相关文章

  • selenium自动化测试简单准备

    selenium自动化测试简单准备

    本文主要介绍了selenium自动化测试简单准备，文中通过示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
    2022-01-01
  • 举例讲解Python中的list列表数据结构用法

    举例讲解Python中的list列表数据结构用法

    这篇文章主要介绍了Python中的list列表数据结构用法,列表是Python内置的六种集合类数据类型中最常见的之一,需要的朋友可以参考下
    2016-03-03
  • python生成器/yield协程/gevent写简单的图片下载器功能示例

    python生成器/yield协程/gevent写简单的图片下载器功能示例

    这篇文章主要介绍了python生成器/yield协程/gevent写简单的图片下载器功能,结合实例形式分析了python生成器、yield协程与gevent图片下载器相关功能定义与使用技巧,需要的朋友可以参考下
    2019-10-10
  • 使用Python的数据可视化库Matplotlib实现折线图

    使用Python的数据可视化库Matplotlib实现折线图

    数据可视化是数据分析和探索中不可或缺的一环，本文将介绍如何使用Python中的数据可视化库Matplotlib，通过示例代码实现一个简单的折线图，感兴趣的同学可以参考阅读下
    2023-07-07
  • Appium中scroll和drag_and_drop根据元素位置滑动

    Appium中scroll和drag_and_drop根据元素位置滑动

    本文主要介绍了Appium中scroll和drag_and_drop根据元素位置滑动，文中通过示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
    2022-02-02
  • 更改Python的pip install 默认安装依赖路径方法详解

    更改Python的pip install 默认安装依赖路径方法详解

    今天小编就为大家分享一篇更改Python的pip install 默认安装依赖路径方法详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
    2018-10-10
  • python获取从命令行输入数字的方法

    python获取从命令行输入数字的方法

    这篇文章主要介绍了python获取从命令行输入数字的方法,涉及Python操作命令行输入的相关技巧,需要的朋友可以参考下
    2015-04-04
  • WxPython建立批量录入框窗口

    WxPython建立批量录入框窗口

    这篇文章主要为大家详细介绍了WxPython建立批量录入框窗口，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
    2019-02-02
  • Python基础之logging模块知识总结

    Python基础之logging模块知识总结

    用Python写代码的时候,在想看的地方写个print xx 就能在控制台上显示打印信息,这样子就能知道它是什么了,但是当我需要看大量的地方或者在一个文件中查看的时候,这时候print就不大方便了,所以Python引入了logging模块来记录我想要的信息,需要的朋友可以参考下
    2021-05-05
  • python 实现对文件夹内的文件排序编号

    python 实现对文件夹内的文件排序编号

    下面小编就为大家分享一篇python 实现对文件夹内的文件排序编号，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
    2018-04-04

最新评论