Python API 操作Hadoop hdfs详解

缺乏、安全感 2022-12-29 06:41 199阅读 0赞

更多编程教程请到：[菜鸟教程][Link 1] https://www.piaodoo.com/

友情链接：

[高州阳光论坛][Link 2]https://www.hnthzk.com/

[人人影视][Link 3]http://www.sfkyty.com/

[http://pyhdfs.readthedocs.io/en/latest/][http_pyhdfs.readthedocs.io_en_latest]

**1：安装**

由于是windows环境（linux其实也一样），只要有pip或者setup\_install安装起来都是很方便的

> >pip install hdfs

**2：Client——创建集群连接**

> > from hdfs import \*  
> > client = Client("http://s100:50070")

其他参数说明：

> classhdfs.client.Client(url, root=None, proxy=None, timeout=None, session=None)

url：ip：端口

root：制定的hdfs根目录

proxy：制定登陆的用户身份

timeout：设置的超时时间

session:连接标识

> client = Client("http://127.0.0.1:50070",root="/",timeout=100,session=False)  
> >>> client.list("/")  
> \[u'home',u'input', u'output', u'tmp'\]

**3：dir——查看支持的方法**

> >dir(client)

**4：status——获取路径的具体信息**

其他参数：

> status(hdfs\_path, strict=True)

hdfs\_path：就是hdfs路径

strict：设置为True时，如果hdfs\_path路径不存在就会抛出异常，如果设置为False，如果路径为不存在，则返回None

**5：list——获取指定路径的子目录信息**

> >client.list("/")  
> \[u'home',u'input', u'output', u'tmp'\]

其他参数：

> list(hdfs\_path, status=False)

status：为True时，也返回子目录的状态信息，默认为Flase

**6：makedirs——创建目录**

> >client.makedirs("/123")

其他参数：makedirs(hdfs\_path, permission=None)

permission：设置权限

> >client.makedirs("/test",permission=777)

**7: rename—重命名**

> >client.rename("/123","/test")

**8：delete—删除**

> >client.delete("/test")

其他参数：

> delete(hdfs\_path, recursive=False)

recursive：删除文件和其子目录，设置为False如果不存在，则会抛出异常，默认为False

**9：upload——上传数据**

> >client.upload("/test","F:\\\[PPT\]Google Protocol Buffers.pdf");

其他参数：

> upload(hdfs\_path, local\_path, overwrite=False, n\_threads=1, temp\_dir=None,  
> 
> 
> chunk\_size=65536,progress=None, cleanup=True, \*\*kwargs)

overwrite：是否是覆盖性上传文件

n\_threads：启动的线程数目

temp\_dir：当overwrite=true时，远程文件一旦存在，则会在上传完之后进行交换

chunk\_size：文件上传的大小区间

progress：回调函数来跟踪进度，为每一chunk\_size字节。它将传递两个参数，文件上传的路径和传输的字节数。一旦完成，-1将作为第二个参数

cleanup：如果在上传任何文件时发生错误，则删除该文件

**10：download——下载**

> >client.download("/test/NOTICE.txt","/home")

**11：read——读取文件**

> withclient.read("/test/\[PPT\]Google Protocol Buffers.pdf") as reader:  
> print reader.read()

其他参数：

read(\*args, \*\*kwds)

hdfs\_path：hdfs路径

offset：设置开始的字节位置

length：读取的长度（字节为单位）

buffer\_size：用于传输数据的字节的缓冲区的大小。默认值设置在HDFS配置。

encoding：制定编码

chunk\_size：如果设置为正数，上下文管理器将返回一个发生器产生的每一chunk\_size字节而不是一个类似文件的对象

delimiter：如果设置，上下文管理器将返回一个发生器产生每次遇到分隔符。此参数要求指定的编码。

progress：回调函数来跟踪进度，为每一chunk\_size字节（不可用，如果块大小不是指定）。它将传递两个参数，文件上传的路径和传输的字节数。称为一次与- 1作为第二个参数。

问题：

> hdfs.util.HdfsError: Permission denied: user=dr.who, access=WRITE, inode="/test":root:supergroup:drwxr-xr-x

解决办法是：在配置文件hdfs-site.xml中加入

<property> 
     <name>dfs.permissions</name> 
     <value>false</value> 
    </property>

> /usr/local/hadoop-2.6.4/bin/hadoopjar /usr/local/hadoop-2.6.4/share/hadoop/tools/lib/hadoop-streaming-2.6.4.jar\\-input <输入目录> \\ \# 可以指定多个输入路径，例如：-input '/user/foo/dir1' -input '/user/foo/dir2'

> \-inputformat<输入格式 JavaClassName> \\-output <输出目录>\\-outputformat <输出格式 JavaClassName> \\-mapper <mapper executable orJavaClassName> \\-reducer <reducer executable or JavaClassName>\\-combiner <combiner executable or JavaClassName> \\-partitioner<JavaClassName> \\-cmdenv <name=value> \\ \# 可以传递环境变量，可以当作参数传入到任务中，可以配置多个

\-file <依赖的文件> \\ \#配置文件，字典等依赖

\-D<name=value> \\ \# 作业的属性配置

Map.py:

#!/usr/local/bin/python
    import sys
    for line in sys.stdin:
     ss = line.strip().split(' ')
     for s in ss:
     if s.strip()!= "":
      print "%s\t%s"% (s, 1)

Reduce.py:

#!/usr/local/bin/python

import sys  
current\_word = None  
count\_pool = \[\]  
sum = 0  
for line in sys.stdin:  
word, val = line.strip().split(’\\t’)  
if current\_word== None:  
current\_word = word  
if current\_word!= word:  
for count in count\_pool:  
sum += count  
print “%s\\t%s”% (current\_word, sum)  
current\_word = word  
count\_pool = \[\]  
sum = 0  
count\_pool.append(int(val))  
for count in count\_pool:  
sum += count  
print “%s\\t%s”% (current\_word, str(sum))

Run.sh:

HADOOP\_CMD="/data/hadoop-2.7.0/bin/hadoop"  
STREAM\_JAR\_PATH="/data/hadoop-2.7.0/share/hadoop/tools/lib/hadoop-streaming-2.7.0.jar"  
INPUT\_FILE\_PATH\_1="/The\_Man\_of\_Property.txt"  
OUTPUT\_PATH="/output"  
$HADOOP\_CMD fs -rmr-skipTrash $OUTPUT\_PATH

# Step 1. #

H A D O O P C M D j a r HADOOP\_CMD jar HADOOPCMDjarSTREAM\_JAR\_PATH  
\-input $INPUT\_FILE\_PATH\_1  
\-output $OUTPUT\_PATH  
\-mapper"python map.py"  
\-reducer “pythonred.py”  
\-file ./map.py  
\-file ./red.py

目的：通过python模拟mr，计算每年的最高气温。

1. 查看数据文件，需要截取年份和气温，生成key-value对。

[tianyc@TeletekHbase python]$ cat test.dat 
    0067011990999991950051507004...9999999N9+00001+99999999999... 
    0043011990999991950051512004...9999999N9+00221+99999999999... 
    0043011990999991950051518004...9999999N9-00111+99999999999... 
    0043012650999991949032412004...0500001N9+01111+99999999999... 
    0043012650999991949032418004...0500001N9+00781+99999999999...

2. 编写map，打印key-value对

[tianyc@TeletekHbase python]$ cat map.py 
    import re
    import sys
    for line in sys.stdin:
     val=line.strip()
     (year,temp)=(val[15:19],val[40:45])
     print "%s\t%s" % (year,temp)

\[tianyc@TeletekHbase python\]$ cat test.dat|python map.py  
1950 +0000  
1950 +0022  
1950 -0011  
1949 +0111  
1949 +0078

3. 将结果排序

[tianyc@TeletekHbase python]$ cat test.dat|python map.py |sort
    1949 +0078
    1949 +0111
    1950 +0000
    1950 -0011
    1950 +0022

4. 编写redurce，对map中间结果进行处理，生成最终结果

[tianyc@TeletekHbase python]$ cat red.py 
    import sys
    (last_key,max_val)=(None,0)
    for line in sys.stdin:
     (key,val)=line.strip().split('\t')
     if last_key and last_key!=key:
     print '%s\t%s' % (last_key, max_val)
     (last_key, max_val)=(key,int(val))
    else:
     (last_key, max_val)=(key,max(max_val,int(val)))
    if last_key:
     print '%s\t%s' % (last_key, max_val)

5. 执行。

[tianyc@TeletekHbase python]$ cat test.dat|python map.py |sort|python red.py 
    1949 111
    1950 22

使用python语言进行MapReduce程序开发主要分为两个步骤，一是编写程序，二是用Hadoop Streaming命令提交任务。

还是以词频统计为例

**一、程序开发**

1、Mapper

for line in sys.stdin:
     filelds = line.strip.split(' ')
     for item in fileds:
     print item+' '+'1'

2、Reducer

import sys
    result={}
    for line in sys.stdin:
     kvs = line.strip().split(' ')
     k = kvs[0]
     v = kvs[1]
     if k in result:
      result[k]+=1
     else:
      result[k] = 1
     for k,v in result.items():
     print k+' '+v
    ....

写完发现其实只用map就可以处理了...reduce只用cat就好了

3、运行脚本

1）Streaming简介

Hadoop的MapReduce和HDFS均采用Java进行实现，默认提供Java编程接口，用户通过这些编程接口，可以定义map、reduce函数等等。

但是如果希望使用其他语言编写map、reduce函数怎么办呢？

Hadoop提供了一个框架Streaming，Streaming的原理是用Java实现一个包装用户程序的MapReduce程序，该程序负责调用hadoop提供的Java编程接口。

2）运行命令

/.../bin/hadoop streaming
    -input /..../input
    -output /..../output
    -mapper "mapper.py"
    -reducer "reducer.py"
    -file mapper.py
    -file reducer.py
    -D mapred.job.name ="wordcount"
    -D mapred.reduce.tasks = "1"

3）Streaming常用命令

（1）-input <path>：指定作业输入，path可以是文件或者目录，可以使用\*通配符，-input选项可以使用多次指定多个文件或目录作为输入。

（2）-output <path>：指定作业输出目录，path必须不存在，而且执行作业的用户必须有创建该目录的权限，-output只能使用一次。

（3）-mapper：指定mapper可执行程序或Java类，必须指定且唯一。

（4）-reducer：指定reducer可执行程序或Java类，必须指定且唯一。

（5）-file, -cacheFile, -cacheArchive：分别用于向计算节点分发本地文件、HDFS文件和HDFS压缩文件，具体使用方法参考文件分发与打包。

（6）numReduceTasks：指定reducer的个数，如果设置-numReduceTasks 0或者-reducer NONE则没有reducer程序，mapper的输出直接作为整个作业的输出。

（7）-jobconf | -D NAME=VALUE：指定作业参数，NAME是参数名，VALUE是参数值，可以指定的参数参考hadoop-default.xml。

\-jobconf mapred.job.name='My Job Name'设置作业名

\-jobconf mapred.job.priority=VERY\_HIGH | HIGH | NORMAL | LOW | VERY\_LOW设置作业优先级

\-jobconf mapred.job.map.capacity=M设置同时最多运行M个map任务

\-jobconf mapred.job.reduce.capacity=N设置同时最多运行N个reduce任务

\-jobconf mapred.map.tasks 设置map任务个数

\-jobconf mapred.reduce.tasks 设置reduce任务个数

\-jobconf mapred.compress.map.output 设置map的输出是否压缩

\-jobconf mapred.map.output.compression.codec 设置map的输出压缩方式

\-jobconf mapred.output.compress 设置reduce的输出是否压缩

\-jobconf mapred.output.compression.codec 设置reduce的输出压缩方式

\-jobconf stream.map.output.field.separator 设置map输出分隔符

例子：

\-D stream.map.output.field.separator=: \\ 以冒号进行分隔

\-D stream.num.map.output.key.fields=2 \\ 指定在第二个冒号处进行分隔，也就是第二个冒号之前的作为key，之后的作为value

（8）-combiner：指定combiner Java类，对应的Java类文件打包成jar文件后用-file分发。

（9）-partitioner：指定partitioner Java类，Streaming提供了一些实用的partitioner实现，参考KeyBasedFiledPartitoner和IntHashPartitioner。

（10）-inputformat, -outputformat：指定inputformat和outputformat Java类，用于读取输入数据和写入输出数据，分别要实现InputFormat和OutputFormat接口。如果不指定，默认使用TextInputFormat和TextOutputFormat。

（11）cmdenv NAME=VALUE：给mapper和reducer程序传递额外的环境变量，NAME是变量名，VALUE是变量值。

（12）-mapdebug, -reducedebug：分别指定mapper和reducer程序失败时运行的debug程序。

（13）-verbose：指定输出详细信息，例如分发哪些文件，实际作业配置参数值等，可以用于调试。

以上这篇Python API 操作Hadoop hdfs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菜鸟教程www.piaodoo.com。

[Link 1]: https://www.piaodoo.com/
[Link 2]: https://www.hnthzk.com/
[Link 3]: http://www.sfkyty.com/
[http_pyhdfs.readthedocs.io_en_latest]: https://pyhdfs.readthedocs.io/en/latest/