1. 目標

通過hadoop hive或spark等數(shù)據(jù)計算框架完成數(shù)據(jù)清洗后的數(shù)據(jù)在HDFS上

爬蟲和機器學習在Python中容易實現(xiàn)

在Linux環(huán)境下編寫Python沒有pyCharm便利

需要建立Python與HDFS的讀寫通道

2. 實現(xiàn)

安裝Python模塊pyhdfs

版本:Python3.6, hadoop 2.9

讀文件代碼如下

from pyhdfs import HdfsClient
client=HdfsClient(hosts='ghym:50070')#hdfs地址
res=client.open('/sy.txt')#hdfs文件路徑,根目錄/
for r in res:
 line=str(r,encoding='utf8')#open后是二進制,str()轉(zhuǎn)換為字符串并轉(zhuǎn)碼
 print(line)

寫文件代碼如下

from pyhdfs import HdfsClient
client=HdfsClient(hosts='ghym:50070',user_name='hadoop')#只有hadoop用戶擁有寫權(quán)限
str='hello world'
client.create('/py.txt',str)#創(chuàng)建新文件并寫入字符串

上傳本地文件到HDFS

from pyhdfs import HdfsClient
client = HdfsClient(hosts='ghym:50070', user_name='hadoop')
client.copy_from_local('d:/pydemo.txt', '/pydemo')#本地文件絕對路徑,HDFS目錄必須不存在

3. 讀取文本文件寫入csv

Python安裝pandas模塊

確認文本文件的分隔符

# pyhdfs讀取文本文件,分隔符為逗號,
from pyhdfs import HdfsClient
client = HdfsClient(hosts='ghym:50070', user_name='hadoop')
inputfile=client.open('/int.txt')
# pandas調(diào)用讀取方法read_table
import pandas as pd
df=pd.read_table(inputfile,encoding='gbk',sep=',')#參數(shù)為源文件,編碼,分隔符
# 數(shù)據(jù)集to_csv方法轉(zhuǎn)換為csv
df.to_csv('demo.csv',encoding='gbk',index=None)#參數(shù)為目標文件,編碼,是否要索引

補充知識：記 讀取hdfs 轉(zhuǎn) pandas 再經(jīng)由pandas轉(zhuǎn)為csv的一個坑

工作流程是這樣的：

讀取 hdfs 的 csv 文件，采用的是 hdfs 客戶端提供的 read 方法，該方法返回一個生成器。

將讀取到的數(shù)據(jù)按 逗號 處理，變?yōu)橐粋€二維數(shù)組。

將二維數(shù)組傳給 pandas，生成 df。

經(jīng)若干處理后，將 df 轉(zhuǎn)為 csv 文件并寫入hdfs。

問題是這樣的：

正常的數(shù)據(jù)：

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

三行數(shù)據(jù)，正常走流程，沒有任何問題。

異常數(shù)據(jù)：

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

在每一行中都會有一個數(shù)組類似的數(shù)據(jù)，有一對引號包起來，中間存在逗號，不可以拆分。

為此，我的做法如下：

匹配逗號是被成對引號包圍的字符串。

將匹配到的字符串中的逗號替換為特定字符。

將替換后的新字符串替換回原字符串。

在將原字符串中的特定字符串替換為逗號。

本來這樣做沒有什么問題，但是在經(jīng)由pandas轉(zhuǎn)為csv的時候，發(fā)現(xiàn)原來帶引號的字符串變?yōu)榱饲昂蟾鲙齻€引號。

源數(shù)據(jù)：

處理后的數(shù)據(jù)：

方法如下：

仔細研究對比了下數(shù)據(jù)，發(fā)現(xiàn)數(shù)據(jù)里的引號其實只是在純文本文件中用來標識其為字符串，并不應該存在于實際數(shù)據(jù)中。

而我每次匹配后都是原封不動替換回去，譬如：

源數(shù)據(jù)：

"[0.9653901649086855,0.03460983509131456]"

匹配替換后：

"[0.9653901649086855${dot}0.03460983509131456]"

這樣傳給pandas，它就會認為這個數(shù)據(jù)是帶引號的，在重新轉(zhuǎn)為csv的時候，就會進行轉(zhuǎn)義等操作，導致多出很多引號。

所以解決辦法就是在替換之前，將匹配時遇到的引號也去掉：

PATTERN = '(?<=(?P<quote>[\'\"]))([^,]+,[^,]+)+?(?=(?P=quote))'

中間 ([^,]+,[^,]+)+? 要用+？，因為必須確定是有這樣的組合才可以，并且非貪婪模式，故不可 ？ 或者 *？

（ps：為了方便后面引用前面的匹配，我在環(huán)視匹配中創(chuàng)建了一個組）

再來個整體效果：

為了說明效果，引用pandas的自帶讀取csv方法：

可以看到pandas讀取出的該位置數(shù)據(jù)也是字符串，引號正是作為一個字符串聲明而存在。

再次修改正則：

def split_by_dot_escape_quote(string):
  """
  按逗號分隔字符串，若其中有引號，將引號內(nèi)容視為整體
  """
  # 匹配引號中的內(nèi)容，非貪婪，采用正向肯定環(huán)視，
  # 當左引號（無論單雙引）被匹配到，放入組quote，
  # 中間的內(nèi)容任意，但是要用+？，非貪婪，且至少有一次匹配到字符，
  # 若*？，則匹配0次也可，并不會匹配任意字符（環(huán)視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，故只會匹配到"，
  # +？則會限定前面必有字符被匹配，故""，或引號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()
    # 將匹配到的字符串中的逗號替換為特定字符，
    # 以便還原到原字符串進行替換
    new_str = old_str.replace(',', '${dot}')
    # 由于匹配到的引號僅為字符串申明，并不具有實際意義，
    # 需要把匹配時遇到的引號都去掉，只替換掉當前匹配組的引號
    new_str = re.sub(data.group('quote'), '', new_str)
    string = string.replace(old_str, new_str)
  sps = string.split(',')
  return map(lambda x: x.replace('${dot}', ','), sps)
 
 
s = '"2011,603","3510006998","F","5","5","0",""'
print(list(split_by_dot_escape_quote(s)))

運行結(jié)果如下：

之前想的正則有些復雜，反而偏離了本意，還是對正則的認識不夠深。

以上這篇Python連接HDFS實現(xiàn)文件上傳下載及Pandas轉(zhuǎn)換文本文件到CSV操作就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持腳本之家。

最新評論