欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Python API 操作Hadoop hdfs详解

程序员文章站 2023-11-13 12:37:10
1:安装由于是windows环境(linux其实也一样),只要有pip或者setup_install安装起来都是很方便的>pip install hdfs2:client——创建集群连接>...

1:安装

由于是windows环境(linux其实也一样),只要有pip或者setup_install安装起来都是很方便的

>pip install hdfs

2:client——创建集群连接

> from hdfs import *
> client = client("http://s100:50070")

其他参数说明:

classhdfs.client.client(url, root=none, proxy=none, timeout=none, session=none)

url:ip:端口

root:制定的hdfs根目录

proxy:制定登陆的用户身份

timeout:设置的超时时间

session:连接标识

client = client("http://127.0.0.1:50070",root="/",timeout=100,session=false)
>>> client.list("/")
[u'home',u'input', u'output', u'tmp']

3:dir——查看支持的方法

>dir(client)

4:status——获取路径的具体信息

其他参数:

status(hdfs_path, strict=true)

hdfs_path:就是hdfs路径

strict:设置为true时,如果hdfs_path路径不存在就会抛出异常,如果设置为false,如果路径为不存在,则返回none

5:list——获取指定路径的子目录信息

>client.list("/")
[u'home',u'input', u'output', u'tmp']

其他参数:

list(hdfs_path, status=false)

status:为true时,也返回子目录的状态信息,默认为flase

6:makedirs——创建目录

>client.makedirs("/123")

其他参数:makedirs(hdfs_path, permission=none)

permission:设置权限

>client.makedirs("/test",permission=777)

7: rename—重命名

>client.rename("/123","/test")

8:delete—删除

>client.delete("/test")

其他参数:

delete(hdfs_path, recursive=false)

recursive:删除文件和其子目录,设置为false如果不存在,则会抛出异常,默认为false

9:upload——上传数据

>client.upload("/test","f:\[ppt]google protocol buffers.pdf");

其他参数:

upload(hdfs_path, local_path, overwrite=false, n_threads=1, temp_dir=none,

chunk_size=65536,progress=none, cleanup=true, **kwargs)

overwrite:是否是覆盖性上传文件

n_threads:启动的线程数目

temp_dir:当overwrite=true时,远程文件一旦存在,则会在上传完之后进行交换

chunk_size:文件上传的大小区间

progress:回调函数来跟踪进度,为每一chunk_size字节。它将传递两个参数,文件上传的路径和传输的字节数。一旦完成,-1将作为第二个参数

cleanup:如果在上传任何文件时发生错误,则删除该文件

10:download——下载

>client.download("/test/notice.txt","/home")

11:read——读取文件

withclient.read("/test/[ppt]google protocol buffers.pdf") as reader:
print reader.read()

其他参数:

read(*args, **kwds)

hdfs_path:hdfs路径

offset:设置开始的字节位置

length:读取的长度(字节为单位)

buffer_size:用于传输数据的字节的缓冲区的大小。默认值设置在hdfs配置。

encoding:制定编码

chunk_size:如果设置为正数,上下文管理器将返回一个发生器产生的每一chunk_size字节而不是一个类似文件的对象

delimiter:如果设置,上下文管理器将返回一个发生器产生每次遇到分隔符。此参数要求指定的编码。

progress:回调函数来跟踪进度,为每一chunk_size字节(不可用,如果块大小不是指定)。它将传递两个参数,文件上传的路径和传输的字节数。称为一次与- 1作为第二个参数。

问题:

1.

hdfs.util.hdfserror: permission denied: user=dr.who, access=write, inode="/test":root:supergroup:drwxr-xr-x

解决办法是:在配置文件hdfs-site.xml中加入

<property> 
 <name>dfs.permissions</name> 
 <value>false</value> 
</property>

/usr/local/hadoop-2.6.4/bin/hadoopjar /usr/local/hadoop-2.6.4/share/hadoop/tools/lib/hadoop-streaming-2.6.4.jar\-input <输入目录> \ # 可以指定多个输入路径,例如:-input '/user/foo/dir1' -input '/user/foo/dir2'

-inputformat<输入格式 javaclassname> \-output <输出目录>\-outputformat <输出格式 javaclassname> \-mapper <mapper executable orjavaclassname> \-reducer <reducer executable or javaclassname>\-combiner <combiner executable or javaclassname> \-partitioner<javaclassname> \-cmdenv <name=value> \ # 可以传递环境变量,可以当作参数传入到任务中,可以配置多个

-file <依赖的文件> \ #配置文件,字典等依赖

-d<name=value> \ # 作业的属性配置

map.py:

#!/usr/local/bin/python
import sys
for line in sys.stdin:
 ss = line.strip().split(' ')
 for s in ss:
 if s.strip()!= "":
  print "%s\t%s"% (s, 1)

reduce.py:

#!/usr/local/bin/python

import sys
current_word = none
count_pool = []
sum = 0
for line in sys.stdin:
 word, val = line.strip().split('\t')
 if current_word== none:
 current_word = word
 if current_word!= word:
 for count in count_pool:
  sum += count
 print "%s\t%s"% (current_word, sum)
 current_word = word
 count_pool = []
 sum = 0
 count_pool.append(int(val))
for count in count_pool:
 sum += count
print "%s\t%s"% (current_word, str(sum))

run.sh:

hadoop_cmd="/data/hadoop-2.7.0/bin/hadoop"
stream_jar_path="/data/hadoop-2.7.0/share/hadoop/tools/lib/hadoop-streaming-2.7.0.jar"
input_file_path_1="/the_man_of_property.txt"
output_path="/output"
$hadoop_cmd fs -rmr-skiptrash $output_path

# step 1.

$hadoop_cmd jar$stream_jar_path \
 -input $input_file_path_1 \
 -output $output_path \
 -mapper"python map.py" \
 -reducer "pythonred.py" \
 -file ./map.py \
 -file ./red.py

目的:通过python模拟mr,计算每年的最高气温。

1. 查看数据文件,需要截取年份和气温,生成key-value对。

[tianyc@teletekhbase python]$ cat test.dat 
0067011990999991950051507004...9999999n9+00001+99999999999... 
0043011990999991950051512004...9999999n9+00221+99999999999... 
0043011990999991950051518004...9999999n9-00111+99999999999... 
0043012650999991949032412004...0500001n9+01111+99999999999... 
0043012650999991949032418004...0500001n9+00781+99999999999...

2. 编写map,打印key-value对

[tianyc@teletekhbase python]$ cat map.py 
import re
import sys
for line in sys.stdin:
 val=line.strip()
 (year,temp)=(val[15:19],val[40:45])
 print "%s\t%s" % (year,temp)

[tianyc@teletekhbase python]$ cat test.dat|python map.py 
1950 +0000
1950 +0022
1950 -0011
1949 +0111
1949 +0078

3. 将结果排序

[tianyc@teletekhbase python]$ cat test.dat|python map.py |sort
1949 +0078
1949 +0111
1950 +0000
1950 -0011
1950 +0022

4. 编写redurce,对map中间结果进行处理,生成最终结果

[tianyc@teletekhbase python]$ cat red.py 
import sys
(last_key,max_val)=(none,0)
for line in sys.stdin:
 (key,val)=line.strip().split('\t')
 if last_key and last_key!=key:
 print '%s\t%s' % (last_key, max_val)
 (last_key, max_val)=(key,int(val))
else:
 (last_key, max_val)=(key,max(max_val,int(val)))
if last_key:
 print '%s\t%s' % (last_key, max_val)

5. 执行。

[tianyc@teletekhbase python]$ cat test.dat|python map.py |sort|python red.py 
1949 111
1950 22

使用python语言进行mapreduce程序开发主要分为两个步骤,一是编写程序,二是用hadoop streaming命令提交任务。

还是以词频统计为例

一、程序开发

1、mapper

for line in sys.stdin:
 filelds = line.strip.split(' ')
 for item in fileds:
 print item+' '+'1'

2、reducer

import sys
result={}
for line in sys.stdin:
 kvs = line.strip().split(' ')
 k = kvs[0]
 v = kvs[1]
 if k in result:
  result[k]+=1
 else:
  result[k] = 1
 for k,v in result.items():
 print k+' '+v
....

写完发现其实只用map就可以处理了...reduce只用cat就好了

3、运行脚本

1)streaming简介

hadoop的mapreduce和hdfs均采用java进行实现,默认提供java编程接口,用户通过这些编程接口,可以定义map、reduce函数等等。 

但是如果希望使用其他语言编写map、reduce函数怎么办呢?

hadoop提供了一个框架streaming,streaming的原理是用java实现一个包装用户程序的mapreduce程序,该程序负责调用hadoop提供的java编程接口。

2)运行命令

/.../bin/hadoop streaming
-input /..../input
-output /..../output
-mapper "mapper.py"
-reducer "reducer.py"
-file mapper.py
-file reducer.py
-d mapred.job.name ="wordcount"
-d mapred.reduce.tasks = "1"

3)streaming常用命令

(1)-input <path>:指定作业输入,path可以是文件或者目录,可以使用*通配符,-input选项可以使用多次指定多个文件或目录作为输入。

(2)-output <path>:指定作业输出目录,path必须不存在,而且执行作业的用户必须有创建该目录的权限,-output只能使用一次。

(3)-mapper:指定mapper可执行程序或java类,必须指定且唯一。

(4)-reducer:指定reducer可执行程序或java类,必须指定且唯一。

(5)-file, -cachefile, -cachearchive:分别用于向计算节点分发本地文件、hdfs文件和hdfs压缩文件,具体使用方法参考文件分发与打包。

(6)numreducetasks:指定reducer的个数,如果设置-numreducetasks 0或者-reducer none则没有reducer程序,mapper的输出直接作为整个作业的输出。

(7)-jobconf | -d name=value:指定作业参数,name是参数名,value是参数值,可以指定的参数参考hadoop-default.xml。

-jobconf mapred.job.name='my job name'设置作业名

-jobconf mapred.job.priority=very_high | high | normal | low | very_low设置作业优先级

-jobconf mapred.job.map.capacity=m设置同时最多运行m个map任务

-jobconf mapred.job.reduce.capacity=n设置同时最多运行n个reduce任务

-jobconf mapred.map.tasks 设置map任务个数

-jobconf mapred.reduce.tasks 设置reduce任务个数

-jobconf mapred.compress.map.output 设置map的输出是否压缩

-jobconf mapred.map.output.compression.codec 设置map的输出压缩方式

-jobconf mapred.output.compress 设置reduce的输出是否压缩

-jobconf mapred.output.compression.codec 设置reduce的输出压缩方式

-jobconf stream.map.output.field.separator 设置map输出分隔符

例子:

-d stream.map.output.field.separator=: \ 以冒号进行分隔

-d stream.num.map.output.key.fields=2 \ 指定在第二个冒号处进行分隔,也就是第二个冒号之前的作为key,之后的作为value

(8)-combiner:指定combiner java类,对应的java类文件打包成jar文件后用-file分发。

(9)-partitioner:指定partitioner java类,streaming提供了一些实用的partitioner实现,参考keybasedfiledpartitoner和inthashpartitioner。

(10)-inputformat, -outputformat:指定inputformat和outputformat java类,用于读取输入数据和写入输出数据,分别要实现inputformat和outputformat接口。如果不指定,默认使用textinputformat和textoutputformat。

(11)cmdenv name=value:给mapper和reducer程序传递额外的环境变量,name是变量名,value是变量值。

(12)-mapdebug, -reducedebug:分别指定mapper和reducer程序失败时运行的debug程序。

(13)-verbose:指定输出详细信息,例如分发哪些文件,实际作业配置参数值等,可以用于调试。

以上这篇python api 操作hadoop hdfs详解就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持。