#bluedata #hpe-container-platform #ezmeral
#bluedata #hpe-container-platform #ezmeral
Вопрос:
Я хотел бы считывать данные из DataTap с помощью cpython.
В spark я могу сделать что-то вроде:
df = spark.read.csv("dtap://MaprClus2/tmp/airline-safety.csv")
Как я могу сделать то же самое, если я использую cpython, например, когда у меня нет ядра pyspark Jupyter?
Комментарии:
1. Нашли ли вы какой-либо другой способ добиться этого, т.Е. Кроме использования командной строки hadoop?
Ответ №1:
Один из вариантов — использовать подпроцесс для вызова команды hadoop
cli:
from subprocess import check_output
import pandas as pd
from io import BytesIO
def hdfs_read(fpath):
out = check_output(['hadoop', 'fs', '-cat', fpath])
return BytesIO(out)
data = hdfs_read("dtap://MaprClus2/tmp/airline-safety.csv")
# row 1 contains hadoop cli warning so remove it
pd.read_csv(data, sep=",", skiprows=1)
Комментарии:
1. Это правильный ответ. Есть ли еще какое-либо решение pythonic? Любой пакет, поддерживающий dtap, читает на python?
2. Да — с использованием PyArrow и Pydoop. На данный момент настройка выполняется вручную, однако я надеюсь, что в следующем выпуске настройка будет автоматизирована. Я опубликую новый ответ, если это произойдет.