不多说，直接上代码

from hdfs import Client

import pandas as pd

HDFSHOST = "http://xxx:50070"

FILENAME = "/tmp/preprocess/part-00000" #hdfs文件路径

COLUMNNAMES = [xx']

def readHDFS():

'''

读取hdfs文件

Returns：

df:dataframe hdfs数据

'''

client = Client(HDFSHOST)

# 目前读取hdfs文件采用方式：

# 1. 先从hdfs读取二进制数据流文件

# 2. 将二进制文件另存为.csv

# 3. 使用pandas读取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

补充知识：Python连接HDFS实现文件上传下载及Pandas转换文本文件到CSV

1. 目标

通过hadoop hive或spark等数据计算框架完成数据清洗后的数据在HDFS上

爬虫和机器学习在Python中容易实现

在Linux环境下编写Python没有pyCharm便利

需要建立Python与HDFS的读写通道

2. 实现

安装Python模块pyhdfs

版本:Python3.6, hadoop 2.9

读文件代码如下

from pyhdfs import HdfsClient

client=HdfsClient(hosts='ghym:50070')#hdfs地址

res=client.open('/sy.txt')#hdfs文件路径,根目录/

for r in res:

line=str(r,encoding='utf8')#open后是二进制,str()转换为字符串并转码

print(line)

写文件代码如下

from pyhdfs import HdfsClient

client=HdfsClient(hosts='ghym:50070',user_name='hadoop')#只有hadoop用户拥有写权限

str='hello world'

client.create('/py.txt',str)#创建新文件并写入字符串

上传本地文件到HDFS

from pyhdfs import HdfsClient

client = HdfsClient(hosts='ghym:50070', user_name='hadoop')

client.copy_from_local('d:/pydemo.txt', '/pydemo')#本地文件绝对路径,HDFS目录必须不存在

3. 读取文本文件写入csv

Python安装pandas模块

确认文本文件的分隔符

# pyhdfs读取文本文件,分隔符为逗号,

from pyhdfs import HdfsClient

client = HdfsClient(hosts='ghym:50070', user_name='hadoop')

inputfile=client.open('/int.txt')

# pandas调用读取方法read_table

import pandas as pd

df=pd.read_table(inputfile,encoding='gbk',sep=',')#参数为源文件,编码,分隔符

# 数据集to_csv方法转换为csv

df.to_csv('demo.csv',encoding='gbk',index=None)#参数为目标文件,编码,是否要索引

以上这篇python读取hdfs并返回dataframe教程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读取hdfs并返回dataframe教程

本文地址: http://www.cppcns.com/jiaoben/python/316787.html