python读取hdfs上的parquet文件方式

Bertha 。 2022-12-29 06:41 475阅读 0赞

更多编程教程请到：[菜鸟教程][Link 1] https://www.piaodoo.com/

友情链接：

[高州阳光论坛][Link 2]https://www.hnthzk.com/

[人人影视][Link 3]http://www.sfkyty.com/

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）**