Question

如何使用python脚本从hdfs（hadoop）目录中获取文件列表？

我尝试过以下行：

dir = sc.textFile（＆＃34; hdfs：//127.0.0.1：1900 / directory＆＃34;）。collect（）

该目录包含文件列表＆＃34; file1，file2，file3 .... fileN＆＃34;。通过使用该行我只获得了所有内容列表。但我需要获取文件名列表。

有人可以帮我找出这个问题吗？

提前致谢。

Answer 1

使用子流程

import subprocess
p = subprocess.Popen("hdfs dfs -ls <HDFS Location> |  awk '{print $8}",
    shell=True,
    stdout=subprocess.PIPE,
    stderr=subprocess.STDOUT)

for line in p.stdout.readlines():
    print line

编辑：没有python的答案。第一个选项也可用于递归打印所有子目录。可以根据您的要求省略或更改最后一个重定向语句。

hdfs dfs -ls -R <HDFS LOCATION> | awk '{print $8}' > output.txt
hdfs dfs -ls <HDFS LOCATION> | awk '{print $8}' > output.txt

Answer 2

import subprocess

path = "/data"
args = "hdfs dfs -ls "+path+" | awk '{print $8}'"
proc = subprocess.Popen(args, stdout=subprocess.PIPE, stderr=subprocess.PIPE, shell=True)

s_output, s_err = proc.communicate()
all_dart_dirs = s_output.split() #stores list of files and sub-directories in 'path'

Answer 3

对于python 3：

    from subprocess import Popen, PIPE
hdfs_path = '/path/to/the/designated/folder'
process = Popen(f'hdfs dfs -ls -h {hdfs_path}', shell=True, stdout=PIPE, stderr=PIPE)
std_out, std_err = process.communicate()
list_of_file_names = [fn.split(' ')[-1].split('/')[-1] for fn in std_out.decode().readlines()[1:]][:-1]
list_of_file_names_with_full_address = [fn.split(' ')[-1] for fn in std_out.decode().readlines()[1:]][:-1]

Answer 4

为什么HDFS客户端不使用-C标志而不是依靠awk或python打印感兴趣的特定列来完成艰苦的工作？

即Popen(['hdfs', 'dfs', '-ls', '-C', dirname])

然后，将输出分成新行，然后将获得路径列表。

以下是有关日志记录和错误处理的示例（包括目录/文件不存在时的示例）：

from subprocess import Popen, PIPE
import logging
logger = logging.getLogger(__name__)

FAILED_TO_LIST_DIRECTORY_MSG = 'No such file or directory'

class HdfsException(Exception):
    pass

def hdfs_ls(dirname):
    """Returns list of HDFS directory entries."""
    logger.info('Listing HDFS directory ' + dirname)
    proc = Popen(['hdfs', 'dfs', '-ls', '-C', dirname], stdout=PIPE, stderr=PIPE)
    (out, err) = proc.communicate()
    if out:
        logger.debug('stdout:\n' + out)
    if proc.returncode != 0:
        errmsg = 'Failed to list HDFS directory "' + dirname + '", return code ' + str(proc.returncode)
        logger.error(errmsg)
        logger.error(err)
        if not FAILED_TO_LIST_DIRECTORY_MSG in err:
            raise HdfsException(errmsg)
        return []
    elif err:
        logger.debug('stderr:\n' + err)
    return out.splitlines()

Answer 5

你可以在os库中使用listdir函数 files = os.listdir(path)

使用python脚本从hdfs（hadoop）目录获取文件列表

5 个答案: