从 hdfs 读取 csv 文件作为数据帧

Question

我正在使用 pydoop 从 hdfs 读取文件，当我使用时：

import pydoop.hdfs as hd
with hd.open("/home/file.csv") as f:
    print f.read()

它向我显示了标准输出中的文件。

有什么方法可以让我将这个文件作为数据框读入吗？我试过使用 pandas' read_csv("/home/file.csv")，但它告诉我找不到该文件。确切的代码和错误是：

>>> import pandas as pd
>>> pd.read_csv("/home/file.csv")
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/usr/lib64/python2.7/site-packages/pandas/io/parsers.py", line 498, in parser_f
    return _read(filepath_or_buffer, kwds)
  File "/usr/lib64/python2.7/site-packages/pandas/io/parsers.py", line 275, in _read
    parser = TextFileReader(filepath_or_buffer, **kwds)
  File "/usr/lib64/python2.7/site-packages/pandas/io/parsers.py", line 590, in __init__
    self._make_engine(self.engine)
  File "/usr/lib64/python2.7/site-packages/pandas/io/parsers.py", line 731, in _make_engine
    self._engine = CParserWrapper(self.f, **self.options)
  File "/usr/lib64/python2.7/site-packages/pandas/io/parsers.py", line 1103, in __init__
    self._reader = _parser.TextReader(src, **kwds)
  File "pandas/parser.pyx", line 353, in pandas.parser.TextReader.__cinit__ (pandas/parser.c:3246)
  File "pandas/parser.pyx", line 591, in pandas.parser.TextReader._setup_parser_source (pandas/parser.c:6111)
IOError: File /home/file.csv does not exist

Answer 1

我对 hdfs 几乎一无所知，但我想知道以下方法是否可行：

with hd.open("/home/file.csv") as f:
    df =  pd.read_csv(f)

我假设 read_csv 使用文件句柄，或者实际上是任何将为其提供行的可迭代对象。我知道 numpy csv 阅读器。

如果常规 Python 文件 open 有效，

pd.read_csv("/home/file.csv") 将有效 - 即它读取常规本地文件的文件。

with open("/home/file.csv") as f: 
    print f.read()

但显然 hd.open 正在使用其他位置或协议，因此该文件不是本地文件。如果我的建议不起作用，那么您（或我们）需要深入研究 hdfs 文档。

Answer 2

使用read代替open，有效

with hd.read("/home/file.csv") as f:
    df =  pd.read_csv(f)

Answer 3

您可以使用以下代码从 hdfs 读取 csv

import pandas as pd
import pyarrow as pa
hdfs_config = {
     "host" : "XXX.XXX.XXX.XXX",
     "port" : 8020,
     "user" : "user"
}
fs = pa.hdfs.connect(hdfs_config['host'], hdfs_config['port'], 
user=hdfs_config['user'])
df=pd.read_csv(fs.open("/home/file.csv"))

从 hdfs 读取 csv 文件作为数据帧

Reading in csv file as dataframe from hdfs

python

hadoop

hdfs

pandas