python读取hdfs上的parquet文件方式

在使用python做大数据和机器学习处理过程中，首先需要读取hdfs数据，对于常用格式数据一般比较容易读取，parquet略微特殊。从hdfs上使用python获取parquet格式数据的方法(当然也可以先把文件拉到本地再读取也可以)：

1、安装anaconda环境。

2、安装hdfs3。

conda install hdfs3

3、安装fastparquet。

conda install fastparquet

4、安装python-snappy。

conda install python-snappy

5、读取文件

##namenode mode:
from hdfs3 import HDFileSystem
from fastparquet import ParquetFile
  
hdfs = HDFileSystem(host=IP, port=8020)
sc = hdfs.open
  
pf = ParquetFile(filename, open_with=sc)
df = pf.to_pandas()
  
##返回pandas的DataFrame类型
  
##HA mode:
from hdfs3 import HDFileSystem
from fastparquet import ParquetFile
  
host = "nameservice1"
conf = {
 "dfs.nameservices":"nameservice1",
 ......
}
hdfs = HDFileSystem(host = host, pars = conf)
......      

python访问HDFS HA的三种方法

python访问hdfs常用的包有三个，如下：

1、hdfs3

其实从安装便捷性和使用上来说，并不推荐hdfs3，因为他的系统依赖和网络要求较高，但是某些情况下使用hdfs3会比较方便，官网资料点这里。如上面介绍，IP直接访问namenode：

from hdfs3 import HDFileSystem
hdfs = HDFileSystem(host=namenode, port=8020)
hdfs.ls('/tmp')      

HA访问：

host = "nameservice1"
conf = {"dfs.nameservices": "nameservice1",
 "dfs.ha.namenodes.nameservice1": "namenode113,namenode188",
 "dfs.namenode.rpc-address.nameservice1.namenode113": "hostname_of_server1:8020",
 "dfs.namenode.rpc-address.nameservice1.namenode188": "hostname_of_server2:8020",
 "dfs.namenode.http-address.nameservice1.namenode188": "hostname_of_server1:50070",
 "dfs.namenode.http-address.nameservice1.namenode188": "hostname_of_server2:50070",
 "hadoop.security.authentication": "kerberos"
}
fs = HDFileSystem(host=host, pars=conf)
  
##或者下面这种配置
host = "ns1"
conf = {
 "dfs.nameservices":"ns1",
 "dfs.ha.namenodes.ns1":"namenode122,namenode115",
 "dfs.namenode.rpc-address.ns1.namenode122":"nnlab01:8020",
 "dfs.namenode.servicerpc-address.ns1.namenode122":"nnlab01:8022",
 "dfs.namenode.http-address.ns1.namenode122":"nnlab01:50070",
 "dfs.namenode.https-address.ns1.namenode122":"nnlab01:50470",
 "dfs.namenode.rpc-address.ns1.namenode115":"nnlab02:8020",
 "dfs.namenode.servicerpc-address.ns1.namenode115":"nnlab02:8022",
 "dfs.namenode.http-address.ns1.namenode115":"nnlab02:50070",
 "dfs.namenode.https-address.ns1.namenode115":"nnlab02:50470",
}
hdfs = HDFileSystem(host = host, pars = conf)      

2、hdfs

这种方法在使用的时候配置比较简单，官网资料也比较丰富，但是需要注意的是该API可以模拟用户访问，权限较大。IP直接访问：

import hdfs

client = hdfs.client.InsecureClient(url="http://namenode:50070", user="hdfs")

client = hdfs.client.InsecureClient(url="http://namenode1:50070;http://namenode2:50070", user="hdfs")

3、pyhdfs

安装命令：pip install PyHDFS

官网地址，直接访问：

import pyhdfs

client = pyhdfs.HdfsClient(hosts="namenode:50070",user_name="hdfs")

HA访问

client = pyhdfs.HdfsClient(hosts=["namenode1:50070","namenode2:50070"],user_name="hdfs")

补充知识：python spark中parquet文件写到hdfs，同时避免太多的小文件（block小文件合并）

在pyspark中，使用数据框的文件写出函数write.parquet经常会生成太多的小文件，例如申请了100个block，而每个block中的结果

只有几百K，这在机器学习算法的结果输出中经常出现，这是一种很大的资源浪费，那么如何同时避免太多的小文件（block小文件合并）？

其实有一种简单方法，该方法需要你对输出结果的数据量有个大概估计，然后使用Dataframe中的coalesce函数来指定输出的block数量

即可，具体使用代码如下：

df.coalesce(2).write.parquet(path,mode)

这里df是指你要写出的数据框，coalesce(2)指定了写到2个block中，一个block默认128M，path是你的写出路径，mode是写出模式，常用的是