Python连接HDFS实现文件上传下载及Pandas转换文本文件到CSV操作

#Python连接HDFS实现文件上传下载及Pandas转换文本文件到CSV操作| 来源: 网络整理| 查看: 265

1. 目标

通过hadoop hive或spark等数据计算框架完成数据清洗后的数据在HDFS上

爬虫和机器学习在Python中容易实现

在Linux环境下编写Python没有pyCharm便利

需要建立Python与HDFS的读写通道

2. 实现

安装Python模块pyhdfs

版本:Python3.6, hadoop 2.9

读文件代码如下

from pyhdfs import HdfsClient client=HdfsClient(hosts='ghym:50070')#hdfs地址 res=client.open('/sy.txt')#hdfs文件路径,根目录/ for r in res: line=str(r,encoding='utf8')#open后是二进制,str()转换为字符串并转码 print(line)

写文件代码如下

from pyhdfs import HdfsClient client=HdfsClient(hosts='ghym:50070',user_name='hadoop')#只有hadoop用户拥有写权限 str='hello world' client.create('/py.txt',str)#创建新文件并写入字符串

上传本地文件到HDFS

from pyhdfs import HdfsClient client = HdfsClient(hosts='ghym:50070', user_name='hadoop') client.copy_from_local('d:/pydemo.txt', '/pydemo')#本地文件绝对路径,HDFS目录必须不存在

3. 读取文本文件写入csv

Python安装pandas模块

确认文本文件的分隔符

# pyhdfs读取文本文件,分隔符为逗号, from pyhdfs import HdfsClient client = HdfsClient(hosts='ghym:50070', user_name='hadoop') inputfile=client.open('/int.txt') # pandas调用读取方法read_table import pandas as pd df=pd.read_table(inputfile,encoding='gbk',sep=',')#参数为源文件,编码,分隔符 # 数据集to_csv方法转换为csv df.to_csv('demo.csv',encoding='gbk',index=None)#参数为目标文件,编码,是否要索引

补充知识：记读取hdfs 转 pandas 再经由pandas转为csv的一个坑

工作流程是这样的：

读取 hdfs 的 csv 文件，采用的是 hdfs 客户端提供的 read 方法，该方法返回一个生成器。

将读取到的数据按逗号处理，变为一个二维数组。

将二维数组传给 pandas，生成 df。

经若干处理后，将 df 转为 csv 文件并写入hdfs。

问题是这样的：

正常的数据：

ZERO,MEAN,STD,CV,INC,OPP,CS,IS_OUTNET 0,9.233,2.445,0.265,1.202,241,1,0 0,8.667,1.882,0.217,1.049,179,1,0

三行数据，正常走流程，没有任何问题。

异常数据：

ZERO,MEAN,STD,CV,INC,OPP,CS,IS_OUTNET,probability,prediction 0,9.233,2.445,0.265,1.202,241,1,0,'[0.9653901649086855,0.03460983509131456]’,0.0 0,8.667,1.882,0.217,1.049,179,1,0,'[0.9653901649086855,0.03460983509131456]’,0.0

在每一行中都会有一个数组类似的数据，有一对引号包起来，中间存在逗号，不可以拆分。

为此，我的做法如下：

匹配逗号是被成对引号包围的字符串。

将匹配到的字符串中的逗号替换为特定字符。

将替换后的新字符串替换回原字符串。

在将原字符串中的特定字符串替换为逗号。

本来这样做没有什么问题，但是在经由pandas转为csv的时候，发现原来带引号的字符串变为了前后各带三个引号。

源数据：