Python：如何从 HDFS 导入目录中的文件列表

Question

我尝试在 python 中从HDFS导入文件列表。

如何从 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)

输出是这样的：

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'

Answer 1

声明：这将是一个漫长而乏味的过程。 但鉴于这种情况，我会尽量使它具有普遍性和可重复性。

---

鉴于不需要外部库（ pandas除外？），没有必须选择。 我建议尽可能多地使用WebHDFS 。

AFAIK，默认情况下HDFS的安装包括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 url。 WebHDFS安装在HDFS Namenode(s) 上，默认端口为50070 。

因此，我们从http://[namenode_ip]:50070/webhdfs/v1/ ，其中/webhdfs/v1 / 是所有人的公共网址。

为了举例，我们假设它为http://192.168.10.1:50070/web/hdfs/v1 。

第二步

通常，可以使用curl列出 HDFS 目录的内容。 详细解释请参考WebHDFS REST API: List a Directory

如果您要使用curl ，以下提供给定目录中所有文件的FileStatuses 。

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

如前所述，这将返回 JSON 对象中的 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)

并且如上图所示，每个文件的实际状态比结果 JSON 低两级。 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可以处理其余的工作。

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），则会有多个namenode ，因此您的namenode_ip必须相应设置：它必须是活动节点的 IP。