最近準備使用Python+Hadoop+Pandas進行一些深度的分析與機器學習相關工作。（當然隨著學習過程的進展，現在準備使用Python+Spark+Hadoop這樣一套體系來搭建後續的工作環境），當然這是後話。
但是這項工作首要條件就是將Python與Hadoop進行打通，本來認為很容易的一項工作，沒有想到竟然遇到各種坑，花費了整整半天時間。後來也在網上看到大家在諮詢相同的問題，但是真正解決這個問題的帖子又幾乎沒有，所以現在將Python連線Hadoop資料庫過程中遇到的各種坑進行一個彙總，然後與大家進行分享，以儘量避免大家花費寶貴的時間。

（說明一下：這篇文章中的各種坑的解決，翻閱了網上無數的帖子，最好一GIT上面一個帖子的角落裡面帶了這麼一句，否則很容易翻船。但是由於帖子太多，所以我就不一一帖出來了）

首先是選元件，我選擇的是使用：impala+Python3.7來連線Hadoop資料庫，如果你不是的話，就不要浪費寶貴時間繼續閱讀了。

執行的程式碼如下：

import impala.dbapi as ipdb
conn = ipdb.connect(host="192.168.XX.XXX",port=10000,user="xxx",password="xxxxxx",database="xxx",auth_mechanism='PLAIN')
cursor = conn.cursor()
#其中xxxx是表名，為了不涉及到公司的資訊，我把表名隱藏掉了，大家自己換成自己資料庫表名
cursor.execute('select * From xxxx')
print(cursor.description) # prints the result set's schema
for rowData in cursor.fetchall():
  print(rowData)
conn.close()

坑一：提示語法錯誤

現象：

/Users/wangxxin/miniconda3/bin/python3.7 /Users/wangxxin/Documents/Python/PythonDataAnalyze/project/knDt/pyHiveTest.py
Traceback (most recent call last):
File "/Users/wangxxin/Documents/Python/PythonDataAnalyze/project/knDt/pyHiveTest.py",line 1,in <module>
import impala.dbapi as ipdb
File "/Users/wangxxin/miniconda3/lib/python3.7/site-packages/impala/dbapi.py",line 28,in <module>

import impala.hiveserver2 as hs2
File "/Users/wangxxin/miniconda3/lib/python3.7/site-packages/impala/hiveserver2.py",line 340
async=True)

解決辦法：將引數async全部修改為“async_”（當然這個可以隨便，只要上下文一致，並且不是關鍵字即可），原因：在Python3.0中，已經將async標為關鍵詞，如果再使用async做為引數，會提示語法錯誤；應該包括以下幾個地方：

#hiveserver2.py檔案338行左右
op = self.session.execute(self._last_operation_string,configuration,async_=True)
#hiveserver2.py檔案1022行左右
def execute(self,statement,configuration=None,async_=False):
  req = TExecuteStatementReq(sessionHandle=self.handle,statement=statement,confOverlay=configuration,runAsync=async_)

坑二：提供的Parser.py檔案有問題，載入的時候會報錯

解決辦法：

#根據網上的意見對原始碼進行調整
elif url_scheme in ('c','d','e','f'):
  with open(path) as fh:
    data = fh.read()
elif url_scheme in ('http','https'):
  data = urlopen(path).read()
else:
  raise ThriftParserError('ThriftPy does not support generating module '
              'with path in protocol \'{}\''.format(
                url_scheme))

以上的坑一、坑二建議你直接修改。這兩點是肯定要調整的；

坑三：上面的兩個問題處理好之後，繼續執行，會報如下錯誤：

TProtocolException: TProtocolException(type=4)

解決辦法：

原因是由於connect方法裡面沒有增加引數：auth_mechanism='PLAIN，修改如下所示：

import impala.dbapi as ipdb
conn = ipdb.connect(host="192.168.XX.XXX",auth_mechanism='PLAIN')`

坑四：問題三修改好之後，繼續執行程式，你會發現繼續報錯：

AttributeError: 'TSocket' object has no attribute 'isOpen'

解決辦法：

由於是thrift-sasl的版本太高了(0.3.0)，故將thrift-sasl的版本降級到0.2.1

pip uninstall thrift-sasl
pip install thrift-sasl==0.2.1

坑五：處理完這個問題後，繼續執行，繼續報錯（這個時間解決有點快崩潰的節奏了，但是請堅持住，其實你已經很快接近最後結果了）：

thriftpy.transport.TTransportException: TTransportException(type=1,message="Could not start SASL: b'Error in sasl_client_start (-4) SASL(-4): no mechanism available: Unable to find a callback: 2'")

解決辦法：這個是最麻煩的，也是目前最難找到解決辦法的。

I solved the issue,had to uninstall the package SASL and install PURE-SASL,when impyla can´t find the sasl package it works with pure-sasl and then everything goes well.

主要原因其實還是因為sasl和pure-sasl有衝突，這種情況下，直接解除安裝sasl包就可能了。

pip uninstall SASL

坑六：但是執行完成，繼續完成，可能還是會報錯：

TypeError: can't concat str to bytes

定位到錯誤的最後一條，在init.py第94行（標黃的部分）

header = struct.pack(">BI",status,len(body))
#按照網上的提供的辦法增加對BODY的處理
if (type(body) is str):
 body = body.encode()
self._trans.write(header + body)
self._trans.flush()

經過以上步驟，大家應該可以連線Hive庫查詢資料，應該是不存在什麼問題了。

最後總結一下，連線Hadoop資料庫中各種依賴包，請大家仔細核對一下依賴包（最好是依賴包相同，也就是不多不少[我說的是相關的包]，這樣真的可以避免很多問題的出現）

序號	包名	版本號	安裝命令列
1	pure_sasl	0.5.1	pip install pure_sasl==0.5.1 -i https://pypi.tuna.tsinghua.edu.cn/simple
2	thrift	0.9.3	pip install thrift==0.9.3 -i https://pypi.tuna.tsinghua.edu.cn/simple
3	bitarray	0.8.3	pip install bitarray==0.8.3 -i https://pypi.tuna.tsinghua.edu.cn/simple
4	thrift_sasl	0.2.1	pip install thrift_sasl==0.2.1 -i https://pypi.tuna.tsinghua.edu.cn/simple
5	thriftpy	0.3.9	pip install thriftpy==0.3.9 -i https://pypi.tuna.tsinghua.edu.cn/simple
6	impyla	0.14.1	pip install impyla==0.14.1 -i https://pypi.tuna.tsinghua.edu.cn/simple

建議按順序安裝，我這邊之前有依賴包的問題，但是最終我是通過conda進行安裝的。
其中在安裝thriftpy、thrift_sasl、impyla報的時候報錯，想到自己有conda，直接使用conda install，會自動下載依賴的包，如下所示（供沒有conda環境的同學參考）

package	build	size
ply-3.11	py37_0	80 KB
conda-4.6.1	py37_0	1.7 MB
thriftpy-0.3.9	py37h1de35cc_2	171 KB

祝您好運！如果在實際過程中還是遇到各種各樣的問題，請你留言。

最後有一點提示：

SQL裡面不要帶分號，否則會報錯。但是這個就不是環境問題了。報錯如下：

impala.error.HiveServer2Error: Error while compiling statement: FAILED: ParseException line 2:83 cannot recogniz

到此這篇關於Python連線Hadoop資料中遇到的各種坑(彙總)的文章就介紹到這了,更多相關Python連線Hadoop內容請搜尋我們以前的文章或繼續瀏覽下面的相關文章希望大家以後多多支援我們！