def put_to_hdfs(result_file):
client = Client("http://192.168.53.30:50070")
if client.status('/tmp/result.csv', strict=False):
client.delete('/tmp/result.csv')
client.upload('/tmp', result_file)
else:
client.upload('/tmp', result_file)
' a study.__init__.py module '
__author__ = 'steven'
import os
import time
from hdfs.client import Client
client = Client("http://127.0.0.1:50070", root="/", timeout=100)
print(client.makedirs("/test/"))
print(client.status("/test/"))
print(client.list("/test/"))
print(client.delete("/test/", True))
upload_filename = client.upload(
"/test/" + str(int(round(time.time() * 1000))) + ".pdf", "test.pdf")
print(upload_filename)
download_path = os.path.join(os.path.abspath('.'), 'download/hdfs/')
if not os.path.exists(download_path):
os.makedirs(download_path, True)
else:
print(download_path, ' is existed.')
print(
client.download(
upload_filename,
download_path + str(int(round(time.time() * 1000))) + ".pdf"))
print(client.delete(upload_filename))
print(client.delete(upload_filename))
file_object.writelines("\n".join(province_city_mapping_data))
file_object.close()
print("========== 结束爬取中国城市新冠肺炎数据 ==========")
print("========== 开始爬取新冠肺炎病人行径数据 ==========")
track_list_data = get_patient_track_data()
track_json_str_list = []
for i in range(len(track_list_data)):
track_json_str_list.append(json.dumps(track_list_data[i], sort_keys=True, ensure_ascii=False))
# 写出新冠肺炎病人行径数据
file_object = open(output_path + 'feiyan_track_info.txt', 'w')
file_object.writelines("\n".join(track_json_str_list))
file_object.close()
print("========== 结束爬取新冠肺炎病人行径数据 ==========")
print("========== 开始上传爬取数据到hdfs ==========")
# 检查目录是否存在
hdfs_path_status = hdfs_client.status(hdfs_path=hdfs_path, strict=False)
if hdfs_path_status is None:
# 不存在就创建目录
hdfs_client.makedirs(hdfs_path=hdfs_path, permission="755")
else:
# 存在删除
hdfs_client.delete(hdfs_path,recursive=True)
# 上传成功返回 hdfs_path
hdfs_client.upload(hdfs_path=hdfs_path, local_path=output_path,
chunk_size=2 << 25,
progress=callback, cleanup=True)
print("========== 结束上传爬取数据到hdfs ==========")
minIndex = 0
for k, v in enumerate(clusters):
distance = np.sum(np.square(v - x))
if distance < minDistance:
minDistance = distance
minIndex = k
return (minIndex, x)
if __name__ == '__main__':
# 初始化Spark
global clusters
conf = SparkConf().setAppName('PageRank')
sc = SparkContext(conf=conf)
inPath = 'kmeans/train/X_train.txt'
outPath = 'kmeans/out/'
client = Client('http://10.102.0.197:50070')
client.delete('/user/201600130079/' + outPath, recursive=True)
data = sc.textFile(inPath) # 读取数据
data = data.map(
lambda line: np.array(list(map(float,
re.split(' +', line)[1:])))) # 按空格分割特征
clusters = np.array(data.take(CLASS_NUM)) # 初始化聚类中心
for i in range(ITER_TIME):
nearest = data.map(getNearest)
clusterCount = nearest.countByKey()
clusters = nearest.reduceByKey(lambda a, b: a + b)
clusters = clusters.map(lambda x: x[1] / clusterCount[x[0]])
clusters = clusters.collect()
sc.parallelize(clusters).repartition(1).saveAsTextFile(outPath)
class HDFSClient:
def __init__(self,
url,
root=None,
user=None,
proxy=None,
timeout=None,
session=None):
""" 连接hdfs
url: HDFS名称节点的主机名或IP地址及端口号
root: 根路径，此路径将作为传递给客户端的所有HDFS路径的前缀
user: 使用InsecureClient（Base Client）,指定访问hdfs的用户;Client使用默认用户dr.who
proxy: 代理的用户
timeout: 连接超时，转发到请求处理程序
session: request.Session实例，用于发出所有请求
"""
if user:
self.client = InsecureClient(url, user=user)
else:
self.client = Client(url,
root=root,
proxy=proxy,
timeout=timeout,
session=session)
def list_hdfs_file(self, hdfs_path, status=False):
""" 返回目录下的文件
status: 每个文件或目录的属性信息(FileStatus)
return: 列表中包含元组，每个元组是目录名或文件名和属性信息构成
"""
return self.client.list(hdfs_path, status=status)
def walk_hdfs_file(self,
hdfs_path,
depth=0,
status=False,
ignore_missing=False,
allow_dir_changes=False):
""" 深度遍历远程文件系统
hdfs_path: 起始路径。如果该路径不存在，则会引发HdfsError。如果指向文件，则返回的生成器将为空
depth: 探索的最大深度。0为无限制
status: 同时返回每个文件或文件夹的相应FileStatus
ignore_missing: 忽略缺少的嵌套文件夹，而不是引发异常
allow_dir_changes: 允许更改目录列表以影响遍历
return: 生成器，返回值参考python的walk函数
"""
return self.client.walk(hdfs_path,
depth=depth,
status=status,
ignore_missing=ignore_missing,
allow_dir_changes=allow_dir_changes)
def delete_hdfs_file(self, hdfs_path, recursive=False, skip_trash=False):
""" 删除文件
recursive: 递归删除文件或目录，默认情况下，如果尝试删除非空目录，此方法将引发HdfsError
skip_trash: 设置为false时，已删除的路径将被移动到适当的垃圾回收文件夹，而不是被删除
return: 如果删除成功，则此函数返回True；如果hdfs_path之前不存在文件或目录，则返回False
"""
return self.client.delete(hdfs_path,
recursive=recursive,
skip_trash=skip_trash)
def download_hdfs_file(self,
hdfs_path,
local_path,
overwrite=True,
n_threads=1,
temp_dir=None,
**kwargs):
""" 下载文件
hdfs_file: HDFS上要下载的文件或文件夹的路径。如果是文件夹，则将下载该文件夹下的所有文件
local_file: 本地路径。如果它已经存在并且是目录，则文件将在其中下载
overwrite: 覆盖任何现有文件或目录
n_threads: 用于并行化的线程数。值为0（或负数）将使用与文件一样多的线程
temp_dir: 当overwrite = True并且最终目标路径已经存在时，将首先在其下下载文件的目录。下载成功完成后，它将被交换
**kwargs: 关键字参数转发给read()。如果未传递chunk_size参数，则将使用默认值64 kB
return: 方法执行成功，将返回本地下载路径
"""
res = self.client.download(hdfs_path,
local_path,
overwrite=overwrite,
n_threads=n_threads,
temp_dir=temp_dir,
**kwargs)
def upload_hdfs_file(self,
hdfs_path,
local_path,
n_threads=1,
temp_dir=None,
chunk_size=65536,
progress=None,
cleanup=True,
**kwargs):
""" 上传文件
hdfs_path: 目标HDFS路径。如果它已经存在并且是目录，则文件将在其中上传
local_path: 文件或文件夹的本地路径。如果是文件夹，则将上载其中的所有
文件（请注意，这意味着没有文件的文件夹将不会远程创建）
cleanup: 如果上传过程中发生错误，删除所有上传的文件
return: 方法执行成功，将返回状态码，远程上传目录，错误信息
"""
try:
res = self.client.upload(hdfs_path,
local_path,
n_threads=n_threads,
temp_dir=temp_dir,
chunk_size=chunk_size,
progress=progress,
cleanup=cleanup,
overwrite=True)
return 0, res, ''
except HdfsError as e:
return 1, '', str(e)
def makedirs(self, hdfs_path, permission=None):
""" 创建目录，可以递归
permission: 在新创建的目录上设置的八进制权限，这些权限将仅在尚不存在的目录上设置
return: None
"""
self.client.makedirs(hdfs_path, permission=permission)
def parts(self, hdfs_path, parts=None, status=False):
"""
hdfs_path: 远程路径。该目录每个分区最多应包含一个零件文件（否则将任意选择一个文件）
parts: 零件文件编号列表或要选择的零件文件总数。如果是数字，那么将随机选择那么多分区。
默认情况下，将返回所有零件文件。如果部件是列表，但未找到部件之一或需要太多样本，则会引发HdfsError
status: 返回文件的FileStatus
return: 返回对应于路径的零件文件的字典
"""
return self.client.parts(hdfs_path, parts=parts, status=status)
def read_hdfs_file(self, **kwds):
""" 读取文件内容，这个方法必须在一个with块中使用，以便关闭连接
>>> with client.read('foo') as reader:
>>> content = reader.read()
hdfs_path: HDFS路径
offset: 起始字节位置
length: 要处理的字节数。设置为None时会读取整个文件
buffer_size: 用于传输数据的缓冲区大小（以字节为单位）。默认为在HDFS配置中设置的值
encoding: 用于解码请求的编码。默认情况下，返回原始数据
chunk_size: 如果设置为正数，则上下文管理器将返回一个生成器，该生成器生成每个chunk_size字节，
而不是类似文件的对象（除非还设置了定界符）
delimiter: 如果设置，上下文管理器将在每次遇到定界符时返回生成器。此参数要求指定编码
progress: 回调函数，用于跟踪进度，称为每个chunk_size字节（如果未指定块大小，则不可用）。
它将传递两个参数，即要上传的文件的路径和到目前为止已传输的字节数。
完成后，将以-1作为第二个参数调用一次
"""
self.client.read(**kwds)
def write_hdfs_file(self,
hdfs_path,
data=None,
overwrite=False,
permission=None,
blocksize=None,
replication=None,
buffersize=None,
append=False,
encoding=None):
""" 在HDFS上创建文件
data: 要写入的文件内容。 可以是字符串，生成器或文件对象。 最后两个选项将允许流式上传（即无需
将全部内容加载到内存中）。 如果为None，则此方法将返回类似文件的对象，应使用with块调用
它（请参见下面的示例）
permission: 在新创建的文件上设置的八进制权限
append: 附加到文件而不是创建新文件
encoding: 用于序列化写入数据的编码
>>> from json import dump, dumps
>>> records = [
>>> {'name': 'foo', 'weight': 1},
>>> {'name': 'bar', 'weight': 2},
>>> ]
>>> # As a context manager:
>>> with client.write('data/records.jsonl', encoding='utf-8') as writer:
>>> dump(records, writer)
>>> Or, passing in a generator directly:
>>> client.write('data/records.jsonl', data=dumps(records), encoding='utf-8')
"""
self.client.write(hdfs_path,
data=data,
overwrite=overwrite,
permission=permission,
blocksize=blocksize,
replication=replication,
buffersize=buffersize,
append=append,
encoding=encoding)
def rename_or_move(self, hdfs_src_path, hdfs_dst_path):
""" 移动文件或目录
hdfs_src_path: 源路径
hdfs_dst_path: 目标路径，如果路径已经存在并且是目录，则源将移入其中。
如果路径存在并且是文件，或者缺少父目标目录，则此方法将引发HdfsError
"""
self.client.rename(hdfs_src_path, hdfs_dst_path)
def set_owner(self, hdfs_path, owner=None, group=None):
""" 更改文件的所有者，必须至少指定所有者和组之一
owner: 可选，文件的新所有者
group: 可选，文件的新所有组
"""
self.client.set_owner(hdfs_path, owner=owner, group=group)
def set_permission(self, hdfs_path, permission):
""" 更改文件权限
permission: 文件的新八进制权限字符串
"""
self.client.set_permission(hdfs_path, permission)
def set_replication(self, hdfs_path, replication):
""" 设置文件副本
replication: 副本数
"""
self.client.set_replication(hdfs_path, replication)
def set_times(self, hdfs_path, access_time=None, modification_time=None):
""" 更改文件的时间戳
"""
self.client.set_times(hdfs_path,
access_time=access_time,
modification_time=modification_time)
def status_hdfs_file(self, hdfs_path, strict=True):
""" 获取文件的FileStatus
strict: 如果为False，则返回None，而不是如果路径不存在则引发异常
"""
self.client.status(hdfs_path, strict=strict)
def clcPr(tuple):
page, (pr, links) = tuple
for i in links:
yield (i, pr / len(links))
if __name__ == '__main__':
#main函数
if len(sys.argv) < 3:
sys.stderr('Usage: PageRank.py <in> <out>')
sys.exit(2)
#初始化Spark
conf = SparkConf().setAppName('PageRank').setMaster('spark://master:7077')
sc = SparkContext(conf=conf)
inPath = sys.argv[1]
outPath = sys.argv[2]
client = Client('http://10.102.0.197:50070')
client.delete(sys.argv[2], recursive=True)
data = sc.textFile(inPath)
data = data.map(lambda line: line.split('\t'))
links = data.mapValues(lambda x: x.split(','))
#初始化pr值
pr = data.map(lambda line: (line[0], PRINIT))
for i in range(10):
pr = pr.join(links).flatMap(clcPr)
pr = pr.reduceByKey(lambda x, y: x + y)
pr = pr.mapValues(lambda x: 1 - D + D * x)
pr = pr.sortBy(lambda x: x[1], ascending=False, numPartitions=1)
out = pr.map(lambda x: '({},{:.10f})'.format(x[0], x[1]))
out.saveAsTextFile(outPath)
def delete_slow(client: Client, path: str, p_name: str):
a_list = MyHdfsFile.get_child_file(client, path)
for a_name in a_list:
a_file = pathlib.PurePosixPath(a_name).name
if fnmatch.fnmatch(a_file, p_name):
client.delete(a_name, recursive=True)
