之前一直使用hdfs的命令进行hdfs操作，比如：

hdfs dfs -ls /user/spark/

hdfs dfs -get /user/spark/a.txt /home/spark/a.txt #从HDFS获取数据到本地

hdfs dfs -put -f /home/spark/a.txt /user/spark/a.txt #从本地覆盖式上传

hdfs dfs -mkdir -p /user/spark/home/datetime=20180817/

....

身为一个python程序员，每天操作hdfs都是在程序中写各种cmd调用的命令，一方面不好看，另一方面身为一个Pythoner这是一个耻辱，于是乎就挑了一个hdfs3的模块进行hdfs的操作，瞬间就感觉优雅多了：

hdfs 官方API：https://hdfs3.readthedocs.io/en/latest/api.html

>>> from hdfs3 import HDFileSystem

#链接HDFS

>>> hdfs = HDFileSystem(host='localhost', port=8020)

>>> hdfs.ls('/user/data')

>>> hdfs.put('local-file.txt', '/user/data/remote-file.txt')

>>> hdfs.cp('/user/data/file.txt', '/user2/data')

#文件读取

#txt文件全部读取

>>> with hdfs.open('/user/data/file.txt') as f:

... data = f.read(1000000)

#使用pandas读取1000行数据

>>> with hdfs.open('/user/data/file.csv.gz') as f:

... df = pandas.read_csv(f, compression='gzip', nrows=1000)

#写入文件

>>> with hdfs.open('/tmp/myfile.txt', 'wb') as f:

... f.write(b'Hello, world!')

#多节点连接设置

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)

#API

hdfs = HDFileSystem(host='127.0.0.1', port=8020)

hdfs.cancel_token(token=None) #未知，求大佬指点

hdfs.cat(path) #获取指定目录或文件的内容

hdfs.chmod(path, mode) #修改制定目录的操作权限

hdfs.chown(path, owner, group) #修改目录所有者，以及用户组

hdfs.concat(destination, paths) #将指定多个路径paths的文件，合并成一个文件写入到destination的路径，并删除源文件(The source files are deleted on successful completion.成功完成后将删除源文件。)

hdfs.connect() #连接到名称节点 这在启动时自动发生。 LZ:未知作用，按字面意思，应该是第一步HDFileSystem(host='127.0.0.1', port=8020)发生的

hdfs.delegate_token(user=None)

hdfs.df() #HDFS系统上使用/空闲的磁盘空间

hdfs.disconnect() #跟connect()相反，断开连接

hdfs.du(path, total=False, deep=False) #查看指定目录的文件大小，total是否把大小加起来一个总数，deep是否递归到子目录

hdfs.exists(path) #路径是否存在

hdfs.get(hdfs_path, local_path, blocksize=65536) #将HDFS文件复制到本地,blocksize设置一次读取的大小

hdfs.get_block_locations(path, start=0, length=0) #获取块的物理位置

hdfs.getmerge(path, filename, blocksize=65536) #获取制定目录下的所有文件，复制合并到本地文件

hdfs.glob(path) #/user/spark/abc-*.txt 获取与这个路径相匹配的路径列表

hdfs.head(path, size=1024) #获取指定路径下的文件头部分的数据

hdfs.info(path) #获取指定路径文件的信息

hdfs.isdir(path) #判断指定路径是否是一个文件夹

hdfs.isfile(path) #判断指定路径是否是一个文件

hdfs.list_encryption_zones() #获取所有加密区域的列表

hdfs.ls(path, detail=False) #返回指定路径下的文件路径，detail文件详细信息

hdfs.makedirs(path, mode=457) #创建文件目录类似 mkdir -p

hdfs.mkdir(path) #创建文件目录

hdfs.mv(path1, path2) #将path1移动到path2

open(path, mode='rb', replication=0, buff=0, block_size=0) #读取文件，类似于python的文件读取

hdfs.put(filename, path, chunk=65536, replication=0, block_size=0) #将本地的文件上传到，HDFS指定目录

hdfs.read_block(fn, offset, length, delimiter=None) #指定路径文件的offset指定读取字节的起始点，length读取长度，delimiter确保读取在分隔符bytestring上开始和停止

>>> hdfs.read_block('/data/file.csv', 0, 13)

b'Alice, 100\nBo'

>>> hdfs.read_block('/data/file.csv', 0, 13, delimiter=b'\n')

b'Alice, 100\nBob, 200'

hdfs.rm(path, recursive=True) #删除指定路径recursive是否递归删除

hdfs.tail(path, size=1024) #获取 文件最后一部分的数据

hdfs.touch(path) #创建一个空文件

hdfs.walk(path) #遍历文件树

补充知识：HDFS命令批量创建文件夹和文件

批量创建测试文件夹：

hadoop fs -mkdir -p /user/hivedata/temp/201912311001/d={27..30}/h={10..17}/m5={5,15,25}/

批量创建测试文件：

hadoop fs -touchz /user/hivedata/temp/201912311001/d={27..30}/h={10..17}/m5={5,15,25}/{0..5}.orc

最终效果：

hadoop fs -ls -R /user/hivedata/

以上这篇python使用hdfs3模块对hdfs进行操作详解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持我们。

本文标题: python使用hdfs3模块对hdfs进行操作详解

本文地址: http://www.cppcns.com/jiaoben/python/316949.html