python讀取hdfs並返回dataframe教程
阿新 • • 發佈:2020-06-07
不多說,直接上程式碼
from hdfs import Client import pandas as pd HDFSHOST = "http://xxx:50070" FILENAME = "/tmp/preprocess/part-00000" #hdfs檔案路徑 COLUMNNAMES = [xx'] def readHDFS(): ''' 讀取hdfs檔案 Returns: df:dataframe hdfs資料 ''' client = Client(HDFSHOST) # 目前讀取hdfs檔案採用方式: # 1. 先從hdfs讀取二進位制資料流檔案 # 2. 將二進位制檔案另存為.csv # 3. 使用pandas讀取csv檔案 with client.read(FILENAME) as fs: content = fs.read() s = str(content,'utf-8') file = open("data/tmp/data.csv","w") file.write(s) df = pd.read_csv("data/tmp/data.csv",names=COLUMNNAMES) return df
補充知識:Python連線HDFS實現檔案上傳下載及Pandas轉換文字檔案到CSV
1. 目標
通過hadoop hive或spark等資料計算框架完成資料清洗後的資料在HDFS上
爬蟲和機器學習在Python中容易實現
在Linux環境下編寫Python沒有pyCharm便利
需要建立Python與HDFS的讀寫通道
2. 實現
安裝Python模組pyhdfs
版本:Python3.6,hadoop 2.9
讀檔案程式碼如下
from pyhdfs import HdfsClient client=HdfsClient(hosts='ghym:50070')#hdfs地址 res=client.open('/sy.txt')#hdfs檔案路徑,根目錄/ for r in res: line=str(r,encoding='utf8')#open後是二進位制,str()轉換為字串並轉碼 print(line)
寫檔案程式碼如下
from pyhdfs import HdfsClient client=HdfsClient(hosts='ghym:50070',user_name='hadoop')#只有hadoop使用者擁有寫許可權 str='hello world' client.create('/py.txt',str)#建立新檔案並寫入字串
上傳本地檔案到HDFS
from pyhdfs import HdfsClient client = HdfsClient(hosts='ghym:50070',user_name='hadoop') client.copy_from_local('d:/pydemo.txt','/pydemo')#本地檔案絕對路徑,HDFS目錄必須不存在
3. 讀取文字檔案寫入csv
Python安裝pandas模組
確認文字檔案的分隔符
# pyhdfs讀取文字檔案,分隔符為逗號,from pyhdfs import HdfsClient client = HdfsClient(hosts='ghym:50070',user_name='hadoop') inputfile=client.open('/int.txt') # pandas呼叫讀取方法read_table import pandas as pd df=pd.read_table(inputfile,encoding='gbk',sep=',')#引數為原始檔,編碼,分隔符 # 資料集to_csv方法轉換為csv df.to_csv('demo.csv',index=None)#引數為目標檔案,是否要索引
以上這篇python讀取hdfs並返回dataframe教程就是小編分享給大家的全部內容了,希望能給大家一個參考,也希望大家多多支援我們。