Python写入hdfs文件

Question

从本地 python 脚本在 remote HDFS 中创建/写入/更新文件的最佳方法是什么？

我可以列出文件和目录，但写作似乎是个问题。

我搜索了 hdfs 和 snakebite，但没有一个提供干净的方法来做到这一点。

Answer 1

试试 HDFS 库.. 它真的很棒 您可以使用 write()。 https://hdfscli.readthedocs.io/en/latest/api.html#hdfs.client.Client.write

例子：

创建连接：

from hdfs import InsecureClient
client = InsecureClient('http://host:port', user='ann')

from json import dump, dumps
records = [
  {'name': 'foo', 'weight': 1},
  {'name': 'bar', 'weight': 2},
]

# As a context manager:
with client.write('data/records.jsonl', encoding='utf-8') as writer:
  dump(records, writer)

# Or, passing in a generator directly:
client.write('data/records.jsonl', data=dumps(records), encoding='utf-8')

对于 CSV，您可以这样做

import pandas as pd
df=pd.read.csv("file.csv")
with client_hdfs.write('path/output.csv', encoding = 'utf-8') as writer:
  df.to_csv(writer)

Answer 2

其他答案有什么问题

他们使用 WebHDFS，默认不启用，并且不安全没有 Kerberos 或 Apache Knox。

这就是您链接到的 hdfs 库的 upload function 所使用的。

使用 Python 写入 HDFS 的原生（更安全）方式

您可以使用pyspark。

示例 - How to write pyspark dataframe to HDFS and then how to read it back into dataframe?

---

snakebite已经提到了，但是it doesn't write files

---

pyarrow has a FileSystem.open() function 也应该能够写入 HDFS，尽管我没有尝试过。

Answer 3

不使用为HDFS构建的复杂库，您也可以简单地使用python中的请求包为HDFS：

import requests
from json import dumps
params = (
('op', 'CREATE')
)
data = dumps(file)  # some file or object - also tested for pickle library
response = requests.put('http://host:port/path', params=params, data=data)

如果响应为 200，那么您的连接正常！这种技术让您可以使用 Hadoop 的 RESTful API 提供的所有实用程序：ls、md、get、post 等。

您还可以通过以下方式将 CURL 命令转换为 python：

1. 获取 HDFS 的命令：https://hadoop.apache.org/docs/r1.0.4/webhdfs.html
2. 转换成python：https://curl.trillworks.com/

希望这会有所帮助！