python讀取hdfs并返回dataframe教程
不多說,直接上代碼
from hdfs import Client
import pandas as pd
HDFSHOST = "http://xxx:50070"
FILENAME = "/tmp/preprocess/part-00000" #hdfs文件路徑
COLUMNNAMES = [xx']
def readHDFS():
'''
讀取hdfs文件
Returns:
df:dataframe hdfs數(shù)據(jù)
'''
client = Client(HDFSHOST)
# 目前讀取hdfs文件采用方式:
# 1. 先從hdfs讀取二進(jìn)制數(shù)據(jù)流文件
# 2. 將二進(jìn)制文件另存為.csv
# 3. 使用pandas讀取csv文件
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連接HDFS實現(xiàn)文件上傳下載及Pandas轉(zhuǎn)換文本文件到CSV
1. 目標(biāo)
通過hadoop hive或spark等數(shù)據(jù)計算框架完成數(shù)據(jù)清洗后的數(shù)據(jù)在HDFS上
爬蟲和機器學(xué)習(xí)在Python中容易實現(xiàn)
在Linux環(huán)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(xiàn)
安裝Python模塊pyhdfs
版本:Python3.6, hadoop 2.9
讀文件代碼如下
from pyhdfs import HdfsClient
client=HdfsClient(hosts='ghym:50070')#hdfs地址
res=client.open('/sy.txt')#hdfs文件路徑,根目錄/
for r in res:
line=str(r,encoding='utf8')#open后是二進(jìn)制,str()轉(zhuǎn)換為字符串并轉(zhuǎn)碼
print(line)
寫文件代碼如下
from pyhdfs import HdfsClient
client=HdfsClient(hosts='ghym:50070',user_name='hadoop')#只有hadoop用戶擁有寫權(quán)限
str='hello world'
client.create('/py.txt',str)#創(chuàng)建新文件并寫入字符串
上傳本地文件到HDFS
from pyhdfs import HdfsClient
client = HdfsClient(hosts='ghym:50070', user_name='hadoop')
client.copy_from_local('d:/pydemo.txt', '/pydemo')#本地文件絕對路徑,HDFS目錄必須不存在
3. 讀取文本文件寫入csv
Python安裝pandas模塊
確認(rèn)文本文件的分隔符
# pyhdfs讀取文本文件,分隔符為逗號,
from pyhdfs import HdfsClient
client = HdfsClient(hosts='ghym:50070', user_name='hadoop')
inputfile=client.open('/int.txt')
# pandas調(diào)用讀取方法read_table
import pandas as pd
df=pd.read_table(inputfile,encoding='gbk',sep=',')#參數(shù)為源文件,編碼,分隔符
# 數(shù)據(jù)集to_csv方法轉(zhuǎn)換為csv
df.to_csv('demo.csv',encoding='gbk',index=None)#參數(shù)為目標(biāo)文件,編碼,是否要索引
以上這篇python讀取hdfs并返回dataframe教程就是小編分享給大家的全部內(nèi)容了,希望能給大家一個參考,也希望大家多多支持腳本之家。
相關(guān)文章
解決tf.keras.models.load_model加載模型報錯問題
這篇文章主要介紹了解決tf.keras.models.load_model加載模型報錯問題,具有很好的參考價值,希望對大家有所幫助。如有錯誤或未考慮完全的地方,望不吝賜教2023-06-06
python opencv實現(xiàn)信用卡的數(shù)字識別
這篇文章主要介紹了python opencv實現(xiàn)信用卡的數(shù)字識別,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2020-01-01
離線狀態(tài)下在jupyter notebook中使用plotly實例
這篇文章主要介紹了離線狀態(tài)下在jupyter notebook中使用plotly實例,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧2020-04-04

