使用python来访问Hadoop HDFS存储实现文件的操作

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

在调试环境下，咱们用hadoop提供的shell接口测试增加删除查看，但是不利于复杂的逻辑编程

查看文件内容

www.xiaorui.cc

用python访问hdfs是个很头疼的事情。。。。

这个是pyhdfs的库

 import pyhdfs
 fs = pyhdfs.connect("192.168.1.1", )
 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的安装过程很吐血

 svn checkout http://libpyhdfs.googlecode.com/svn/trunk/ libpyhdfs
 cd libpyhdfs
 cp /usr/lib/hadoop-0.20/hadoop-core-0.20.-cdh3u0.jar lib/hadoop-0.20.-core.jar
 cp /usr/lib/hadoop-0.20/lib/commons-logging-1.0..jar lib/
 cp /usr/lib/libhdfs.so. lib/
 ln –s lib/libhdfs.so. lib/libhdfs.so
 python setup.py install --prefix="/usr/local"

还有就是把 selinux也给关了    不然会出现莫名的问题

如果出现

/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"   为  #include "linux/jni_md.h"

这个是用pydoop的库

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

我现在使用的方法是用subprocess ，哈哈，方法很搓吧，主要原因是我这边没有太多的性能估计，只是单纯的把mapreduce的接口给搞出来而已。

这么简单用用也还可以的~

需要把很多自己常用的指定都封装成库

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

补充下（从视hadoop为儿戏到现在对mapreduce半斤八两，对我自己来说，还是有很大的进步的。所以关于hadoop python操作不能再用以前的方法啦。）：

最近了解了更加方便的库，算是文档和利用最好的了。

pyhdfs是对libhdfs的python封装库. 它提供了一些常用方法来处理HDFS上的文件和目录, 比如读写文件, 枚举目录文件, 显示HDFS可用空间, 显示文件的复制块数等。

libhdfs 是HDFS的底层C函数库, 由hadoop官方提供, pyhdfs使用swig技术, 对libhdfs提供的绝大多数函数进行了封装, 目的是提供更简单的调用方式.

 如何连接hadoop集群？
     fs = hadoop.HadoopDFS("username","password","ugi",)
     fs.disconnect()
 如何获取当前工作目录?
     fs = hadoop.HadoopDFS("username","password","ugi",)
     print fs.getWorkingDirectory()
     fs.disconnect()
 如何更改当前工作目录？
     fs = hadoop.HadoopDFS("username","password","ugi",)
     print fs.setWorkingDirectory("/user/ns-lsp/logs")
     fs.disconnect()
 如果目录不存在setWorkingDirectory()返回-,如果执行成功，返回0
 如果目录不存在setWorkingDirectory()返回-,如果执行成功，返回0
 如何判断某个文件/目录是否存在？
     fs = hadoop.HadoopDFS("username","password","ugi",)
     print fs.pathExists("/user/ns-lsp/logs")
     fs.disconnect()
 文件/目录存在，返回0，如果不存在，返回-
 如何创建一个目录?
     fs = hadoop.HadoopDFS("username","password","ugi",)
     print fs.createDirectory("/user/ns-lsp/logs/cjj")
     fs.disconnect()
 如果目录已经存在，则返回-，如果目录创建成功，返回0
 如何获得当前默认块大小？
     fs = hadoop.HadoopDFS("username","password","ugi",)
     print fs.getDefaultBlockSize()
     fs.disconnect()
 如何获得当期目录下的文件/目录？
     fs = hadoop.HadoopDFS("username","password","ugi",)
     print fs.listDirectory("/user/ns-lsp/logs")
     fs.disconnect()
 如何移动一个文件/目录?
 同一HDFS内移动文件：
     fs = hadoop.HadoopDFS("username","password","ugi",)
     print fs.move("/user/ns-lsp/logs/cjj","/user/ns-lsp/logs/cjj_new")
     fs.disconnect()
 不同HDFS之间移动文件：
     target_fs = hadoop.HadoopDFS("username","password","ugi",)
     fs = hadoop.HadoopDFS("username","password","ugi",)
     print fs.move("/user/ns-lsp/logs/cjj","/user/ns-lsp/logs/cjj_new",target_fs)
     fs.disconnect()
 如何删除一个文件/目录?
     fs = hadoop.HadoopDFS("username","password","ugi",)
     print fs.delete("/user/ns-lsp/logs/cjj_new")
     fs.disconnect()
 如何重命名一个文件/目录?
     fs = hadoop.HadoopDFS("username","password","ugi",)
     print fs.rename("/user/ns-lsp/logs/cjj","/user/ns-lsp/logs/cjj1")
     fs.disconnect()
 如何修改一个文件/目录的权限?
     fs = hadoop.HadoopDFS("username","password","ugi",)
     print fs.chmod("/user/ns-lsp/logs/cjj",)
     fs.disconnect()
 如何文件块所在的服务器名?
 有时我们需要查找某些文件块所在的服务器名是什么，可以如下使用:
     fs = hadoop.HadoopDFS("username","password","ugi",)
     print fs.getHosts("/user/ns-lsp/logs/cjj/a",,)
     fs.disconnect()
 返回包含服务器名的列表.
    $ python gethosts.py
    ['xxxx']
 如何获取一个文件/目录的信息?
     fs = hadoop.HadoopDFS("username","password","ugi",)
     pathinfo = fs.getPathInfo("/user/ns-lsp/logs/cjj")
     fs.disconnect()
 getPathInfo()返回一个hdfsFileInfo类。
 如何指定文件的备份数?
     fs = hadoop.HadoopDFS("username","password","ugi",)
     print fs.setReplication("/user/ns-lsp/logs/cjj/a",)
     fs.disconnect()
 如何打开一个文件，并读取数据?
 要操作文件，需要创建一个HadoopFile对象，并利用read()方法读取数据.
     fs = hadoop.HadoopDFS("username","password","ugi",)
     fh = hadoop.HadoopFile(fs,'/user/ns-lsp/logs/cjj/a')
     print fh.read()
     fh.close()
     fs.disconnect()