Python连接HDFS实现文件上传下载及Pandas转换文本文件到CSV操作
时间：2020-12-20 12:34:16 | 栏目：Python代码 | 点击：次
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：
处理后的数据：
方法如下：
仔细研究对比了下数据，发现数据里的引号其实只是在纯文本文件中用来标识其为字符串，并不应该存在于实际数据中。
而我每次匹配后都是原封不动替换回去，譬如：
源数据：
"[0.9653901649086855,0.03460983509131456]"
匹配替换后：
"[0.9653901649086855${dot}0.03460983509131456]"
这样传给pandas，它就会认为这个数据是带引号的，在重新转为csv的时候，就会进行转义等操作，导致多出很多引号。
所以解决办法就是在替换之前，将匹配时遇到的引号也去掉：
PATTERN = '(?<=(?P<quote>[\'\"]))([^,]+,[^,]+)+?(?=(?P=quote))'
中间 ([^,]+,[^,]+)+? 要用+？，因为必须确定是有这样的组合才可以，并且非贪婪模式，故不可 ？ 或者 *？
（ps：为了方便后面引用前面的匹配，我在环视匹配中创建了一个组）
再来个整体效果：
为了说明效果，引用pandas的自带读取csv方法：
可以看到pandas读取出的该位置数据也是字符串，引号正是作为一个字符串声明而存在。
再次修改正则：
def split_by_dot_escape_quote(string):
"""
按逗号分隔字符串，若其中有引号，将引号内容视为整体
"""
# 匹配引号中的内容，非贪婪，采用正向肯定环视，
# 当左引号（无论单双引）被匹配到，放入组quote，
# 中间的内容任意，但是要用+？，非贪婪，且至少有一次匹配到字符，
# 若*？，则匹配0次也可，并不会匹配任意字符（环视只匹配位置不匹配字符），
# 由于在任意字符后面又限定了前面匹配到的quote，故只会匹配到"，
# +？则会限定前面必有字符被匹配，故""，或引号中任意值都可匹配到
pattern = re.compile('(?=(?P<quote>[\'\"])).+?(?P=quote)')
rs = re.finditer(pattern, string)
for data in rs:
# 匹配到的字符串
old_str = data.group()
# 将匹配到的字符串中的逗号替换为特定字符，
# 以便还原到原字符串进行替换
new_str = old_str.replace(',', '${dot}')
# 由于匹配到的引号仅为字符串申明，并不具有实际意义，
# 需要把匹配时遇到的引号都去掉，只替换掉当前匹配组的引号
new_str = re.sub(data.group('quote'), '', new_str)
string = string.replace(old_str, new_str)
sps = string.split(',')
return map(lambda x: x.replace('${dot}', ','), sps)
s = '"2011,603","3510006998","F","5","5","0",""'
print(list(split_by_dot_escape_quote(s)))
运行结果如下：
之前想的正则有些复杂，反而偏离了本意，还是对正则的认识不够深。