python对hdfs/spark读写操作（hdfs/pyspark）

• 本项目是在服务器上，利用python对hdfs和spark，进行读写操作。以下内容，是基于服务器上，已经搭建好的hadoop/spark基础上，所以参考性有限，请见谅。搭建系统，不是很熟悉，单机spark请参照window+spark+python，或者公众号书圈搜Windows和PC机上搭建Spark+Python开发环境的详细步骤。
• 主要内容：利用python将数据保存到hadoop的hdfs目录下，利用spark读取hdfs目录下内容，然后做sql统计。

---

(一)、库安装

基于python3.5/python3.6

pip3 install hdfs
pip3 install pyspark

---

(二)、加载数据到hdfs

利用python，通过hdfs模块，连接集群，然后上传数据到hdfs目录。
关于python读写hdfs数据，请参照：hdfs数据读写

from hdfs.client import Client#hdfs模块
client = Client("http://192.177.6.17:50070",root="/",session=False)#服务器IP,端口，关闭session,避免一直开启
client.upload("/tmp/test1/","/home/test1/5min.csv")#第一个为hadoop中hdfs目录,第二个为文件目录

运行结果如下：

hadoop fs -ls /test1#显示目录下文件

(三)、sparksql读hdfs数据

通过pyspark模块，调用sparksql，读取hdfs目录数据，然后做统计。
参考：pyspark读取hdfs, python sparksql函数

from pyspark.sql import SQLContext
sc = SparkContext()
sqlcontext = SQLContext(sc)
#format后面为告诉程序读取csv格式,load后面为hdfs地址,hdfs后面跟着hadoop的名字,然后文件目录(这块有点懵,如果报错,跟着报错查修)
data = sqlcontext.read.format("com.databricks.spark.csv").\
    options(header="true",inferschema="true").\
    load("hdfs://cdsw1.richstone.com/test1/5min.csv")
data.show(5)
result = data.groupBy("type").count().orderBy("count")
result.show()

原始表结构：

查询结果为,注意运行最好用命令：spark-submit xxx.py

• 总结：本文是一篇很基础的python操作hdfs/spark读写数据的内容。后续还会继续学习相关内容。
• 学习资料(https://blog.csdn.net/suzyu12345/article/details/79673473#24-读取csv)
  (https://hdfscli.readthedocs.io/en/latest/quickstart.html#instantiating-a-client)
  (https://blog.csdn.net/u013421629/article/details/82805614)
  (https://blog.csdn.net/thinklog2018/article/details/80538066)