如何将使用 Pandas 在 Spark 集群上编写的文件移动到 HDFS？答案

【问题标题】：How to move files written with Pandas on Spark cluster to HDFS?如何将使用 Pandas 在 Spark 集群上编写的文件移动到 HDFS？
【发布时间】：2021-02-16 18:10:42
【问题描述】：

我正在使用集群模式运行 Spark 作业并使用 Pandas 写入一些文件，我认为它正在写入临时目录，现在我想移动这些文件或将这些文件写入 HDFS。

【问题讨论】：

标签： apache-spark hadoop pyspark

【解决方案1】：

您有多种选择：

将 Pandas DataFrame 转换为 PySpark DataFrame 并简单地将其保存到 HDFS 中

spark_df = spark.createDataFrame(pandas_df)
spark_df.write.parquet("hdfs:///path/on/hdfs/file.parquet")

使用 Pandas 将文件保存到本地并使用subprocess 将文件复制到 HDFS

import subprocess

command = "hdfs dfs -copyFromLocal -f local/file.parquet /path/on/hdfs".split()
result = subprocess.run(command, stdout=subprocess.PIPE, stderr=subprocess.PIPE)

print(result.stdout)
print(result.stderr)

在本地保存文件并使用 3rd 方库 - hdfs3 - 将文件复制到 HDFS

from hdfs3 import HDFileSystem

hdfs = HDFileSystem()
hdfs.cp("local/file.parquet", "/path/on/hdfs")

【讨论】：