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

1. 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
2. 爬虫和机器学习在Python中容易实现
3. 在Linux环境下编写Python没有pyCharm便利
4. 需要建立Python与HDFS的读写通道

2. 实现

1. 安装Python模块pyhdfs
2. 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

1. Python安装pandas模块
2. 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