溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
這篇文章主要為大家展示了python如何讀取hdfs上的parquet文件，內容簡而易懂，希望大家可以學習一下，學習完之后肯定會有收獲的，下面讓小編帶大家一起來看看吧。
在使用python做大數據和機器學習處理過程中，首先需要讀取hdfs數據，對于常用格式數據一般比較容易讀取，parquet略微特殊。從hdfs上使用python獲取parquet格式數據的方法(當然也可以先把文件拉到本地再讀取也可以)：
1、安裝anaconda環境。
2、安裝hdfs3。
conda install hdfs3
3、安裝fastparquet。
conda install fastparquet
4、安裝python-snappy。
conda install python-snappy
5、讀取文件
##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類型
##HA mode:
from hdfs3 import HDFileSystem
from fastparquet import ParquetFile
host = "nameservice1"
conf = {
"dfs.nameservices":"nameservice1",
......
}
hdfs = HDFileSystem(host = host, pars = conf)
......python訪問HDFS HA的三種方法
python訪問hdfs常用的包有三個，如下：
1、hdfs3
其實從安裝便捷性和使用上來說，并不推薦hdfs3，因為他的系統依賴和網絡要求較高，但是某些情況下使用hdfs3會比較方便，官網資料點這里。如上面介紹，IP直接訪問namenode：
from hdfs3 import HDFileSystem
hdfs = HDFileSystem(host=namenode, port=8020)
hdfs.ls('/tmp')HA訪問：
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)
##或者下面這種配置
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
這種方法在使用的時候配置比較簡單，官網資料也比較豐富，但是需要注意的是該API可以模擬用戶訪問，權限較大。IP直接訪問：
import hdfs
client = hdfs.client.InsecureClient(url="http://namenode:50070", user="hdfs")
HA訪問：
import hdfs
client = hdfs.client.InsecureClient(url="http://namenode1:50070;http://namenode2:50070", user="hdfs")
3、pyhdfs
安裝命令：pip install PyHDFS
官網地址，直接訪問：
import pyhdfs
client = pyhdfs.HdfsClient(hosts="namenode:50070",user_name="hdfs")
HA訪問
import pyhdfs
client = pyhdfs.HdfsClient(hosts=["namenode1:50070","namenode2:50070"],user_name="hdfs")
補充知識：python spark中parquet文件寫到hdfs，同時避免太多的小文件（block小文件合并）
在pyspark中，使用數據框的文件寫出函數write.parquet經常會生成太多的小文件，例如申請了100個block，而每個block中的結果
只有幾百K，這在機器學習算法的結果輸出中經常出現，這是一種很大的資源浪費，那么如何同時避免太多的小文件（block小文件合并）？
其實有一種簡單方法，該方法需要你對輸出結果的數據量有個大概估計，然后使用Dataframe中的coalesce函數來指定輸出的block數量
即可，具體使用代碼如下：
df.coalesce(2).write.parquet(path,mode)
這里df是指你要寫出的數據框，coalesce(2)指定了寫到2個block中，一個block默認128M，path是你的寫出路徑，mode是寫出模式，常用的是
"overwrite"和"append"。
以上就是關于python如何讀取hdfs上的parquet文件的內容，如果你們有學習到知識或者技能，可以把它分享出去讓更多的人看到。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
