Python:如何从HDFS导入目录中的文件列表

时间:2019-01-22 10:49:46

标签: python hdfs

我尝试从python中的 HDFS 导入文件列表。

如何通过HDFS执行此操作:

path =r'/my_path'
allFiles = glob.glob(path + "/*.csv")

df_list = []
for file_ in allFiles:
    df = pd.read_csv(file_,index_col=None, header=0,sep=';')    
    df_list.append(df)

我认为 subprocess.Popen 可以解决问题,但如何仅提取文件名?

import subprocess
p = subprocess.Popen("hdfs dfs -ls /my_path/ ",
    shell=True,
    stdout=subprocess.PIPE,
    stderr=subprocess.STDOUT)


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

输出如下:

b'Found 32 items\n'
b'-rw-------   3 user hdfs   42202621 2019-01-21 10:05 /my_path/file1.csv\n'
b'-rw-------   3 user hdfs   99320020 2019-01-21 10:05 /my_path/file2.csv\n'

1 个答案:

答案 0 :(得分:1)

免责声明:这将是漫长而乏味的。但是在这种情况下,我将尝试使其尽可能通用和可复制。


考虑到没有外部库(pandas除外)的要求,没有选择的余地。我建议尽可能利用WebHDFS

AFAIK, HDFS 的默认安装包括 WebHDFS 的安装。以下解决方案严重依赖 WebHDFS

第一步

首先,您必须了解 WebHDFS 网址。 WebHDFS 安装在 HDFS名称节点上,默认端口为 50070

因此,我们从http://[namenode_ip]:50070/webhdfs/v1/开始,其中/webhdfs/v1 /是所有人的通用网址。

为了举例,我们将其假设为http://192.168.10.1:50070/web/hdfs/v1

第二步

通常,人们可以使用curl列出HDFS目录的内容。 有关详细说明,请参阅WebHDFS REST API: List a Directory

如果要使用curl,则以下提供FileStatuses给定目录内的所有文件。

curl "http://192.168.10.1:50070/webhdfs/v1/<PATH>?op=LISTSTATUS"
             ^^^^^^^^^^^^ ^^^^^             ^^^^  ^^^^^^^^^^^^^
             Namenode IP  Port              Path  Operation

如前所述,这将在JSON对象中返回FileStatuses:

{
  "FileStatuses":
  {
    "FileStatus":
    [
      {
        "accessTime"      : 1320171722771,
        "blockSize"       : 33554432,
        "group"           : "supergroup",
        "length"          : 24930,
        "modificationTime": 1320171722771,
        "owner"           : "webuser",
        "pathSuffix"      : "a.patch",
        "permission"      : "644",
        "replication"     : 1,
        "type"            : "FILE"
      },
      {
        "accessTime"      : 0,
        "blockSize"       : 0,
        "group"           : "supergroup",
        "length"          : 0,
        "modificationTime": 1320895981256,
        "owner"           : "szetszwo",
        "pathSuffix"      : "bar",
        "permission"      : "711",
        "replication"     : 0,
        "type"            : "DIRECTORY"
      },
      ...
    ]
  }
}

使用python的默认库可以实现相同的结果:

import requests

my_path = '/my_path/'
curl = requests.get('http://192.168.10.1:50070/webhdfs/v1/%s?op=LISTSTATUS' % my_path)

并且如上所述,每个文件的实际状态比结果JSON低两个级别。换句话说,要获取每个文件的FileStatus:

curl.json()['FileStatuses']['FileStatus'] 

[
  {
    "accessTime"      : 1320171722771,
    "blockSize"       : 33554432,
    "group"           : "supergroup",
    "length"          : 24930,
    "modificationTime": 1320171722771,
    "owner"           : "webuser",
    "pathSuffix"      : "a.patch",
    "permission"      : "644",
    "replication"     : 1,
    "type"            : "FILE"
  },
  {
    "accessTime"      : 0,
    "blockSize"       : 0,
    "group"           : "supergroup",
    "length"          : 0,
    "modificationTime": 1320895981256,
    "owner"           : "szetszwo",
    "pathSuffix"      : "bar",
    "permission"      : "711",
    "replication"     : 0,
    "type"            : "DIRECTORY"
  },
  ...
]

第三步

由于您现在拥有所需的所有信息,因此您需要做的就是解析。

import os

file_paths = []
for file_status in curl.json()['FileStatuses']['FileStatus']:
    file_name = file_status['pathSuffix']
    # this is the file name in the queried directory
    if file_name.endswith('.csv'):
    # if statement is only required if the directory contains unwanted files (i.e. non-csvs).
        file_paths.append(os.path.join(path, file_name))
        # os.path.join asserts your result consists of absolute path

file_paths
['/my_path/file1.csv',
 '/my_path/file2.csv',
 ...]

最后一步

现在您知道文件和WebHDFS链接的路径,pandas.read_csv可以处理其余工作。

import pandas as pd

dfs = []
web_url = "http://192.168.10.1:50070/webhdfs/v1/%s?op=OPEN"
#                                                  ^^^^^^^
#                                    Operation is now OPEN
for file_path in file_paths:
    file_url = web_url % file_path
    # http://192.168.10.1:50070/webhdfs/v1/my_path/file1.csv?op=OPEN
    dfs.append(pd.read_csv(file_url))

然后将所有.csv导入并分配给dfs

警告

如果您的HDFS配置为 HA (高可用性),则将有多个 namenodes ,因此必须相应地设置namenode_ip:活动节点的IP。