之前一直使用hdfs的命令進行hdfs操作，比如：
|
1
2
3
4
5
|
hdfs dfs -ls /user/spark/hdfs dfs -get /user/spark/a.txt /home/spark/a.txt #從HDFS獲取數據到本地hdfs dfs -put -f /home/spark/a.txt /user/spark/a.txt #從本地覆蓋式上傳hdfs dfs -mkdir -p /user/spark/home/datetime=20180817/.... |
身為一個python程序員，每天操作hdfs都是在程序中寫各種cmd調用的命令，一方面不好看，另一方面身為一個Pythoner這是一個恥辱，于是乎就挑了一個hdfs3的模塊進行hdfs的操作，瞬間就感覺優雅多了：
hdfs 官方API：https://hdfs3.readthedocs.io/en/latest/api.html
|
1
2
3
4
5
6
|
>>> from hdfs3 import HDFileSystem#鏈接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') |
#文件讀取
|
1
2
3
4
5
6
|
#txt文件全部讀取>>> with hdfs.open('/user/data/file.txt') as f:... data = f.read(1000000)#使用pandas讀取1000行數據>>> with hdfs.open('/user/data/file.csv.gz') as f:... df = pandas.read_csv(f, compression='gzip', nrows=1000) |
#寫入文件
>>> with hdfs.open('/tmp/myfile.txt', 'wb') as f:
... f.write(b'Hello, world!')
#多節點連接設置
|
1
2
3
4
5
6
7
8
9
10
|
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
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
|
hdfs = HDFileSystem(host='127.0.0.1', port=8020)hdfs.cancel_token(token=None) #未知，求大佬指點hdfs.cat(path) #獲取指定目錄或文件的內容hdfs.chmod(path, mode) #修改制定目錄的操作權限hdfs.chown(path, owner, group) #修改目錄所有者，以及用戶組hdfs.concat(destination, paths) #將指定多個路徑paths的文件，合并成一個文件寫入到destination的路徑，并刪除源文件（The source files are deleted on successful completion.成功完成后將刪除源文件。）hdfs.connect() #連接到名稱節點 這在啟動時自動發生。 LZ:未知作用，按字面意思，應該是第一步HDFileSystem(host='127.0.0.1', port=8020)發生的hdfs.delegate_token(user=None)hdfs.df() #HDFS系統上使用/空閑的磁盤空間hdfs.disconnect() #跟connect()相反，斷開連接hdfs.du(path, total=False, deep=False) #查看指定目錄的文件大小，total是否把大小加起來一個總數，deep是否遞歸到子目錄hdfs.exists(path) #路徑是否存在hdfs.get(hdfs_path, local_path, blocksize=65536) #將HDFS文件復制到本地,blocksize設置一次讀取的大小hdfs.get_block_locations(path, start=0, length=0) #獲取塊的物理位置hdfs.getmerge(path, filename, blocksize=65536) #獲取制定目錄下的所有文件，復制合并到本地文件hdfs.glob(path) #/user/spark/abc-*.txt 獲取與這個路徑相匹配的路徑列表hdfs.head(path, size=1024) #獲取指定路徑下的文件頭部分的數據hdfs.info(path) #獲取指定路徑文件的信息hdfs.isdir(path) #判斷指定路徑是否是一個文件夾hdfs.isfile(path) #判斷指定路徑是否是一個文件hdfs.list_encryption_zones() #獲取所有加密區域的列表hdfs.ls(path, detail=False) #返回指定路徑下的文件路徑，detail文件詳細信息hdfs.makedirs(path, mode=457) #創建文件目錄類似 mkdir -phdfs.mkdir(path) #創建文件目錄hdfs.mv(path1, path2) #將path1移動到path2open(path, mode='rb', replication=0, buff=0, block_size=0) #讀取文件，類似于python的文件讀取hdfs.put(filename, path, chunk=65536, replication=0, block_size=0) #將本地的文件上傳到，HDFS指定目錄hdfs.read_block(fn, offset, length, delimiter=None) #指定路徑文件的offset指定讀取字節的起始點，length讀取長度，delimiter確保讀取在分隔符bytestring上開始和停止>>> 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) #刪除指定路徑recursive是否遞歸刪除hdfs.tail(path, size=1024) #獲取 文件最后一部分的數據hdfs.touch(path) #創建一個空文件hdfs.walk(path) #遍歷文件樹 |
補充知識：HDFS命令批量創建文件夾和文件
批量創建測試文件夾：
hadoop fs -mkdir -p /user/hivedata/temp/201912311001/d={27..30}/h={10..17}/m5={5,15,25}/
批量創建測試文件：
hadoop fs -touchz /user/hivedata/temp/201912311001/d={27..30}/h={10..17}/m5={5,15,25}/{0..5}.orc
最終效果：
hadoop fs -ls -R /user/hivedata/
以上這篇python使用hdfs3模塊對hdfs進行操作詳解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服務器之家。
原文鏈接：https://blog.csdn.net/u013429010/article/details/81772130
