使用python來訪問Hadoop HDFS存儲實現文件的操作

原文：http://rfyiamcool.blog.51cto.com/1030776/1258292

 

在調試環境下，咱們用hadoop提供的shell接口測試增加刪除查看，但是不利於復雜的邏輯編程

查看文件內容

www.xiaorui.cc

 

用python訪問hdfs是個很頭疼的事情。。。。

 

這個是pyhdfs的庫

import pyhdfs
fs = pyhdfs.connect("192.168.1.1", 9000)
pyhdfs.get(fs, "/rui/111", "/var/111")
f = pyhdfs.open(fs, "/test/xxx", "w")
pyhdfs.write(fs, f, "fuck\0gfw\n")
pyhdfs.close(fs, f)
pyhdfs.disconnect(fs)

pyhdfs的安裝過程很吐血

svn checkout http://libpyhdfs.googlecode.com/svn/trunk/ libpyhdfs
cd libpyhdfs
cp /usr/lib/hadoop-0.20/hadoop-core-0.20.2-cdh3u0.jar lib/hadoop-0.20.1-core.jar
cp /usr/lib/hadoop-0.20/lib/commons-logging-1.0.4.jar lib/
cp /usr/lib/libhdfs.so.0 lib/
ln –s lib/libhdfs.so.0 lib/libhdfs.so
python setup.py install --prefix="/usr/local"

還有就是把 selinux也給關了    不然會出現莫名的問題

 

如果出現

/usr/lib/jvm/java-6-sun/include/jni.h:27:20: error: jni_md.h: No such file or directory

搜下find / -name jni.h

然后修改#include "jni_md.h"   為  #include "linux/jni_md.h"

 

這個是用pydoop的庫

import pydoop.hdfs as hdfs
with hdfs.open('/user/myuser/filename') as f:
    for line in f:
        print(line)

我現在使用的方法是用subprocess ，哈哈，方法很搓吧，主要原因是我這邊沒有太多的性能估計，只是單純的把mapreduce的接口給搞出來而已。

這么簡單用用也還可以的~

需要把很多自己常用的指定都封裝成庫  

cat = subprocess.Popen(["hadoop", "fs", "-cat", "/path/to/myfile"], stdout=subprocess.PIPE)
for line in cat.stdout:
    print line

補充下（從視hadoop為兒戲到現在對mapreduce半斤八兩，對我自己來說，還是有很大的進步的。所以關於hadoop python操作不能再用以前的方法啦。）：

     最近了解了更加方便的庫，算是文檔和利用最好的了。

 

pyhdfs是對libhdfs的python封裝庫. 它提供了一些常用方法來處理HDFS上的文件和目錄, 比如讀寫文件, 枚舉目錄文件, 顯示HDFS可用空間, 顯示文件的復制塊數等。

libhdfs 是HDFS的底層C函數庫, 由hadoop官方提供, pyhdfs使用swig技術, 對libhdfs提供的絕大多數函數進行了封裝, 目的是提供更簡單的調用方式.

如何連接hadoop集群？
    fs = hadoop.HadoopDFS("username","password","ugi",64310)
    fs.disconnect()
如何獲取當前工作目錄?
    fs = hadoop.HadoopDFS("username","password","ugi",64310)
    print fs.getWorkingDirectory()
    fs.disconnect()
如何更改當前工作目錄？
    fs = hadoop.HadoopDFS("username","password","ugi",64310)
    print fs.setWorkingDirectory("/user/ns-lsp/logs")
    fs.disconnect()
如果目錄不存在setWorkingDirectory()返回-1,如果執行成功，返回0
如果目錄不存在setWorkingDirectory()返回-1,如果執行成功，返回0
如何判斷某個文件/目錄是否存在？
    fs = hadoop.HadoopDFS("username","password","ugi",64310)
    print fs.pathExists("/user/ns-lsp/logs")
    fs.disconnect()
文件/目錄存在，返回0，如果不存在，返回-1
如何創建一個目錄?
    fs = hadoop.HadoopDFS("username","password","ugi",64310)
    print fs.createDirectory("/user/ns-lsp/logs/cjj")
    fs.disconnect()
如果目錄已經存在，則返回-1，如果目錄創建成功，返回0
如何獲得當前默認塊大小？
    fs = hadoop.HadoopDFS("username","password","ugi",64310)
    print fs.getDefaultBlockSize()
    fs.disconnect()
如何獲得當期目錄下的文件/目錄？
    fs = hadoop.HadoopDFS("username","password","ugi",64310)
    print fs.listDirectory("/user/ns-lsp/logs")
    fs.disconnect()
如何移動一個文件/目錄?
同一HDFS內移動文件：
    fs = hadoop.HadoopDFS("username","password","ugi",64310)
    print fs.move("/user/ns-lsp/logs/cjj","/user/ns-lsp/logs/cjj_new")
    fs.disconnect()
不同HDFS之間移動文件：
    target_fs = hadoop.HadoopDFS("username","password","ugi",64310)
    fs = hadoop.HadoopDFS("username","password","ugi",64310)
    print fs.move("/user/ns-lsp/logs/cjj","/user/ns-lsp/logs/cjj_new",target_fs)
    fs.disconnect()
如何刪除一個文件/目錄?
    fs = hadoop.HadoopDFS("username","password","ugi",64310)
    print fs.delete("/user/ns-lsp/logs/cjj_new")
    fs.disconnect()
如何重命名一個文件/目錄?
    fs = hadoop.HadoopDFS("username","password","ugi",64310)
    print fs.rename("/user/ns-lsp/logs/cjj","/user/ns-lsp/logs/cjj1")
    fs.disconnect()
如何修改一個文件/目錄的權限?
    fs = hadoop.HadoopDFS("username","password","ugi",64310)
    print fs.chmod("/user/ns-lsp/logs/cjj",7)
    fs.disconnect()
如何文件塊所在的服務器名?
有時我們需要查找某些文件塊所在的服務器名是什么，可以如下使用:
    fs = hadoop.HadoopDFS("username","password","ugi",64310)
    print fs.getHosts("/user/ns-lsp/logs/cjj/a",0,1)
    fs.disconnect()
返回包含服務器名的列表.
   $ python gethosts.py
   ['xxxx']
如何獲取一個文件/目錄的信息?
    fs = hadoop.HadoopDFS("username","password","ugi",64310)
    pathinfo = fs.getPathInfo("/user/ns-lsp/logs/cjj")
    fs.disconnect()
getPathInfo()返回一個hdfsFileInfo類。
如何指定文件的備份數?
    fs = hadoop.HadoopDFS("username","password","ugi",64310)
    print fs.setReplication("/user/ns-lsp/logs/cjj/a",3)
    fs.disconnect()
如何打開一個文件，並讀取數據?
要操作文件，需要創建一個HadoopFile對象，並利用read()方法讀取數據.
    fs = hadoop.HadoopDFS("username","password","ugi",64310)
    fh = hadoop.HadoopFile(fs,'/user/ns-lsp/logs/cjj/a')
    print fh.read()
    fh.close()
    fs.disconnect()