python如何讀取hdfs上的parquet文件

這篇文章主要為大家展示了python如何讀取hdfs上的parquet文件，內(nèi)容簡(jiǎn)而易懂，希望大家可以學(xué)習(xí)一下，學(xué)習(xí)完之后肯定會(huì)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(shù)據(jù)和機(jī)器學(xué)習(xí)處理過程中，首先需要讀取hdfs數(shù)據(jù)，對(duì)于常用格式數(shù)據(jù)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(shù)據(jù)的方法(當(dāng)然也可以先把文件拉到本地再讀取也可以)：

1、安裝anaconda環(huán)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(gè)，如下：

1、hdfs3

其實(shí)從安裝便捷性和使用上來說，并不推薦hdfs3，因?yàn)樗南到y(tǒng)依賴和網(wǎng)絡(luò)要求較高，但是某些情況下使用hdfs3會(huì)比較方便，官網(wǎng)資料點(diǎn)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(shí)候配置比較簡(jiǎn)單，官網(wǎng)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(quán)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(wǎng)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(bǔ)充知識(shí)：python spark中parquet文件寫到hdfs，同時(shí)避免太多的小文件（block小文件合并）

在pyspark中，使用數(shù)據(jù)框的文件寫出函數(shù)write.parquet經(jīng)常會(huì)生成太多的小文件，例如申請(qǐng)了100個(gè)block，而每個(gè)block中的結(jié)果

只有幾百K，這在機(jī)器學(xué)習(xí)算法的結(jié)果輸出中經(jīng)常出現(xiàn)，這是一種很大的資源浪費(fèi)，那么如何同時(shí)避免太多的小文件（block小文件合并）？

其實(shí)有一種簡(jiǎn)單方法，該方法需要你對(duì)輸出結(jié)果的數(shù)據(jù)量有個(gè)大概估計(jì)，然后使用Dataframe中的coalesce函數(shù)來指定輸出的block數(shù)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(shù)據(jù)框，coalesce(2)指定了寫到2個(gè)block中，一個(gè)block默認(rèn)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(guān)于python如何讀取hdfs上的parquet文件的內(nèi)容，如果你們有學(xué)習(xí)到知識(shí)或者技能，可以把它分享出去讓更多的人看到。