av一区二区在线观看_亚洲男人的天堂网站_日韩亚洲视频_在线成人免费_欧美日韩精品免费观看视频_久草视

您的位置:首頁技術文章
文章詳情頁

python讀取hdfs上的parquet文件方式

瀏覽:2日期:2022-07-22 15:00:03

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 HDFileSystemfrom 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 HDFileSystemfrom 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 HDFileSystemhdfs = 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 hdfsclient = hdfs.client.InsecureClient(url='http://namenode:50070', user='hdfs')

HA訪問:

import hdfsclient = 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 pyhdfsclient = pyhdfs.HdfsClient(hosts='namenode:50070',user_name='hdfs')

HA訪問

import pyhdfsclient = 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'。

以上這篇python讀取hdfs上的parquet文件方式就是小編分享給大家的全部內容了,希望能給大家一個參考,也希望大家多多支持好吧啦網。

標簽: Python 編程
相關文章:
主站蜘蛛池模板: 91精品国产日韩91久久久久久 | 亚洲国产精品久久久 | 三级成人在线 | 懂色中文一区二区三区在线视频 | 九九在线视频 | 亚洲综合日韩精品欧美综合区 | 国产av毛片 | 91视频久久 | 国产精品激情 | 国产精品久久久久久久久图文区 | 免费在线观看一区二区 | 天天干天天玩天天操 | 久久免费视频观看 | 欧美精品福利视频 | 亚洲精品久久久久久久久久久久久 | 四虎最新地址 | 欧美日韩成人 | 国产成人精品一区二区三区视频 | 亚洲精品一区中文字幕乱码 | 国产激情视频网址 | 欧美激情a∨在线视频播放 成人免费共享视频 | 久久在线精品 | 日日摸日日碰夜夜爽亚洲精品蜜乳 | 成人在线观看免费 | 毛片视频免费 | 久久久免费毛片 | 在线亚洲精品 | 国产精品不卡视频 | 啪一啪在线视频 | 日韩av在线中文字幕 | 亚洲人精品午夜 | 性生生活大片免费看视频 | 91av精品| 伊人精品国产 | 亚洲成人一区 | 日本精品视频 | 国产精品久久久久久中文字 | 日韩精品一区二区三区老鸭窝 | 日韩一区在线播放 | 一区精品视频在线观看 | 色免费视频 |