Python使用多线程操作tif影像和HBase数据库

本文介绍使用Python的多线程技术，提高happybase模块和gdal模块的效率，从tif格式的影像文件中读取数据，并将其存储到HBase数据库中。主要步骤包括：

• 准备工作：安装Python环境，安装happybase模块和gdal模块，安装HBase数据库，并准备tif影像文件。
• 读取tif影像数据：使用readTif函数读取tif影像数据集，并获取其宽度、高度、波段数、数据数组、仿射变换参数和投影信息。遍历tif影像文件所在的文件夹，获取tif影像文件的日期和分块信息。
• 写入HBase数据库：创建一个happybase连接对象，并获取或创建一个happybase表对象。遍历每个分块，使用readTif函数读取每个分块的每个日期的每个波段的数据，并将其存储到一个三维的numpy数组中。遍历每个像素，将其对应的每个波段的每个日期的数据组合成一个字典，作为HBase表中的列值。使用分块编号、行号和列号拼接成一个字符串，作为HBase表中的行键。使用put方法将行键和列值写入HBase表中。关闭happybase连接对象。
• 使用多线程技术：导入threading模块，创建一个信号量对象，用于限制线程的最大数量。遍历每个分块，使用信号量对象的acquire方法获取一个信号量，然后创建一个新的线程对象，并指定目标函数为load函数，以及传递分块编号、分块列表和日期列表作为参数。然后调用start方法启动该线程。在load函数中，在完成数据的读取和写入后，使用信号量对象的release方法释放一个信号量，并关闭happybase连接对象。记录程序运行的开始时间和结束时间，并计算程序运行的总时间。

一、环境准备

• 安装Python环境，本文使用的是Anaconda3。
• 安装happybase模块，可以使用pip或conda命令。例如：

pip install happybase

• 安装gdal模块，可以使用pip或conda命令。例如：

conda install gdal

• 启动分布式集群，hadoop以及hbase；启动thrift服务，可以使用hbase-daemon.sh脚本。例如：

hbase-daemon.sh start thrift

就可以使用happybase模块连接到thrift服务，并操作HBase数据库了 

• 准备tif格式的影像文件，并放在一个文件夹中。本文使用的是Sentinel-2卫星的10个波段的影像数据，分为多个日期和多个分块。

二、定义读取tif影像数据的函数

• 导入需要的模块，包括time、happybase、gdal、numpy、pandas、os、tqdm和threading。例如：

import time
import happybase
from osgeo import gdal
import numpy as np
import pandas as pd
import os
from tqdm import tqdm
import threading

• 定义一个函数readTif，用于读取tif格式的影像数据集，并返回其宽度、高度、波段数、数据数组、仿射变换参数和投影信息。例如：

#  读取tif数据集
def readTif(fileName, xoff=0, yoff=0, data_width=0, data_height=0):
    dataset = gdal.Open(fileName)
    num_bands = dataset.RasterCount
    # print(num_bands)
    if dataset == None:
        print(fileName + "文件无法打开")
    #  栅格矩阵的列数
    width = dataset.RasterXSize
    #  栅格矩阵的行数
    height = dataset.RasterYSize
    #  波段数
    bands = dataset.RasterCount
    #  获取数据
    if (data_width == 0 and data_height == 0):
        data_width = width
        data_height = height
    data = dataset.ReadAsArray(xoff, yoff, data_width, data_height)
    #  获取仿射矩阵信息
    geotrans = dataset.GetGeoTransform()
    #  获取投影信息
    proj = dataset.GetProjection()
    return width, height, bands, data, geotrans, proj

•  获取tif影像文件所在的文件夹路径，并遍历该文件夹下所有以.tif为后缀名的文件。例如：

# 分块影像所在文件夹，不能有中文
tifDir = r"E:\pyimg\tif2csv\S2SR10mallband3tile"
tifs = [i for i in os.listdir(tifDir) if i.endswith(".tif")]
print("有 %s 个tif文件" % len(tifs))

•  获取tif影像文件的日期和分块信息，并去重排序。例如：

# 获取目标文件数量，前缀相同的
bandlist=['B2','B3','B4','B5','B6','B7','B8','B8A','B11','B12']
datelist1 = []
fenkuailist1 = []
for i in tifs:
    datelist1.append(i[:-26])
    fenkuailist1.append(i[-25:-4])

datelist = list(set(datelist1))
datelist.sort(key=datelist1.index)
fenkuailist = list(set(fenkuailist1))
fenkuailist.sort(key=fenkuailist1.index)
print("有 %s 个日期" % len(datelist))
print("datelist" , datelist)
print("每个日期 %s 个块" % len(fenkuailist))
print("fenkuailist" , fenkuailist)

三、创建happybase连接和表对象

• 创建一个happybase连接对象，并指定HBase数据库的IP地址。例如：

connection = happybase.Connection('192.168.1.100')
# # before first use:
connection.open()

• 获取或创建一个happybase表对象，并指定表名和列族名。例如：

table = connection.table('rawdata')

四、定义写入HBase数据库的函数

• 定义一个函数load，用于读取和写入一个分块的数据。该函数接受分块编号、分块列表和日期列表作为参数。该函数的主要步骤如下：

  • 打印当前分块的编号。
  • 初始化一个三维的numpy数组，用于存储该分块的所有波段和所有日期的数据。
  • 遍历每个日期，使用readTif函数读取该分块的每个日期的每个波段的数据，并将其存储到numpy数组中。
  • 打印写入中的提示。
  • 遍历每个像素，将其对应的每个波段的每个日期的数据组合成一个字典，作为HBase表中的列值。使用分块编号、行号和列号拼接成一个字符串，作为HBase表中的行键。使用put方法将行键和列值写入HBase表中。
  • 关闭happybase连接对象。

def load(kuai,fenkuailist,datelist):
        connection = happybase.Connection('192.168.1.100')
        # # before first use:
        connection.open()
        table = connection.table('rawdata')
        
        print("(%d/%d)块编号："%(kuai+1,len(fenkuailist)),fenkuailist[kuai])
        # 初始化立方体
        img_file = tifDir + "\\" + datelist[0] + "-" + fenkuailist[kuai] + ".tif"
        im_width, im_height, im_bands, im_data, kuai_im_geotrans, kuai_im_proj = readTif(img_file)

        tmpttt = np.empty((im_bands, im_width * im_height, len(datelist)))
    # print("波段 %s 个" % im_bands)
    # print("行列数", im_width, im_height)
        for shijian in range(len(datelist)):
        #  图像
            img_file = tifDir + "\\" + datelist[shijian] + "-" + fenkuailist[kuai] + ".tif"
            # print(img_file)
            im_width, im_height, im_bands, im_data, im_geotrans, im_proj = readTif(img_file)
            kuai_im_geotrans = im_geotrans
            kuai_im_proj=im_proj

            for j in range(im_bands):
                tmpttt[j, :, shijian] = im_data[j].flatten(order='C')
        print("写入中...")
        for index in tqdm(range(im_width * im_height)):
            dt={}
            for ban in range(im_bands):
                d1=zip(map(lambda  x:"f1:"+x+bandlist[ban],datelist),tmpttt[ban, index, :].astype(str))
            # Converting zip object to dict using dict() contructor.
                dt.update(d1)
            key=str(kuai%3)+fenkuailist[kuai][6:10]+fenkuailist[kuai][-4:]+str(index)
            table.put(key, dt)  # 提交数据，0001代表行键，写入的数据要使用字典形式表示
        connection.close()  # 关闭传输

五、使用多线程技术

• 导入threading模块，该模块提供了多线程的支持，可以创建和管理线程，以及实现线程间的同步和通信。
• 使用time模块的perf_counter函数，记录程序运行的开始时间。例如：

# #计时开始
start = time.perf_counter()

• 使用threading模块的Semaphore类，创建一个信号量对象，用于限制线程的最大数量。信号量对象有一个内部计数器，每当一个线程调用acquire方法时，计数器减一，每当一个线程调用release方法时，计数器加一。如果计数器为零，那么acquire方法将阻塞，直到其他线程调用release方法。例如：

sem=threading.Semaphore(5) #限制线程的最大数量为5

• 遍历每个分块，使用sem对象的acquire方法获取一个信号量，然后使用threading模块的Thread类，创建一个新的线程对象，并指定目标函数为load函数，以及传递分块编号、分块列表和日期列表作为参数。然后调用start方法启动该线程。例如：

for kuai in range(30,72):
    sem.acquire()
    threading.Thread(target = load, args = (kuai,fenkuailist,datelist)).start()

• 在load函数中，在完成数据的读取和写入后，使用sem对象的release方法释放一个信号量，并关闭happybase连接对象。例如：

def load(kuai,fenkuailist,datelist):
        connection = happybase.Connection('192.168.1.100')
        # # before first use:
        connection.open()
        table = connection.table('rawdata')
        
        print("(%d/%d)块编号："%(kuai+1,len(fenkuailist)),fenkuailist[kuai])
        # 初始化立方体
        img_file = tifDir + "\\" + datelist[0] + "-" + fenkuailist[kuai] + ".tif"
        im_width, im_height, im_bands, im_data, kuai_im_geotrans, kuai_im_proj = readTif(img_file)

        tmpttt = np.empty((im_bands, im_width * im_height, len(datelist)))
    # print("波段 %s 个" % im_bands)
    # print("行列数", im_width, im_height)
        for shijian in range(len(datelist)):
        #  图像
            img_file = tifDir + "\\" + datelist[shijian] + "-" + fenkuailist[kuai] + ".tif"
            # print(img_file)
            im_width, im_height, im_bands, im_data, im_geotrans, im_proj = readTif(img_file)
            kuai_im_geotrans = im_geotrans
            kuai_im_proj=im_proj

            for j in range(im_bands):
                tmpttt[j, :, shijian] = im_data[j].flatten(order='C')
        print("写入中...")
        for index in tqdm(range(im_width * im_height)):
            dt={}
            for ban in range(im_bands):
                d1=zip(map(lambda  x:"f1:"+x+bandlist[ban],datelist),tmpttt[ban, index, :].astype(str))
            # Converting zip object to dict using dict() contructor.
                dt.update(d1)
            key=str(kuai%3)+fenkuailist[kuai][6:10]+fenkuailist[kuai][-4:]+str(index)
            table.put(key, dt)  # 提交数据，0001代表行键，写入的数据要使用字典形式表示
        connection.close()  # 关闭传输
        sem.release()

• 使用time模块的perf_counter函数，记录程序运行的结束时间，并计算程序运行的总时间。例如：

# #计时结束
delta = time.perf_counter()-start
print("程序运行的时间是:{}秒".format(delta))