使用python脚本从hdfs(hadoop)目录获取文件列表

cig3rfwq  于 2021-05-29  发布在  Hadoop
关注(0)|答案(5)|浏览(391)

如何使用python脚本从hdfs(hadoop)目录获取文件列表?
我试过以下几行:
dir=sc.textfile(“hdfs://127.0.0.1:1900/directory“).collect()
目录中有文件列表“file1,file2,file3….filen”。通过使用这行,我只得到了所有的内容列表。但我需要一份文件名列表。
有人能帮我找出这个问题吗?
提前谢谢。

qncylg1j

qncylg1j1#

您可以使用os库中的listdir函数 files = os.listdir(path)

5t7ly7z5

5t7ly7z52#

对于python 3:

from subprocess import Popen, PIPE
hdfs_path = '/path/to/the/designated/folder'
process = Popen(f'hdfs dfs -ls -h {hdfs_path}', shell=True, stdout=PIPE, stderr=PIPE)
std_out, std_err = process.communicate()
list_of_file_names = [fn.split(' ')[-1].split('/')[-1] for fn in std_out.decode().readlines()[1:]][:-1]
list_of_file_names_with_full_address = [fn.split(' ')[-1] for fn in std_out.decode().readlines()[1:]][:-1]
mdfafbf1

mdfafbf13#

import subprocess

path = "/data"
args = "hdfs dfs -ls "+path+" | awk '{print $8}'"
proc = subprocess.Popen(args, stdout=subprocess.PIPE, stderr=subprocess.PIPE, shell=True)

s_output, s_err = proc.communicate()
all_dart_dirs = s_output.split() #stores list of files and sub-directories in 'path'
jdgnovmf

jdgnovmf4#

为什么不让hdfs客户机使用 -C 标记而不是依赖awk或python来打印感兴趣的特定列?
即。 Popen(['hdfs', 'dfs', '-ls', '-C', dirname]) 之后,在新行上拆分输出,然后您将得到路径列表。
下面是一个示例以及日志记录和错误处理(包括当目录/文件不存在时):

from subprocess import Popen, PIPE
import logging
logger = logging.getLogger(__name__)

FAILED_TO_LIST_DIRECTORY_MSG = 'No such file or directory'

class HdfsException(Exception):
    pass

def hdfs_ls(dirname):
    """Returns list of HDFS directory entries."""
    logger.info('Listing HDFS directory ' + dirname)
    proc = Popen(['hdfs', 'dfs', '-ls', '-C', dirname], stdout=PIPE, stderr=PIPE)
    (out, err) = proc.communicate()
    if out:
        logger.debug('stdout:\n' + out)
    if proc.returncode != 0:
        errmsg = 'Failed to list HDFS directory "' + dirname + '", return code ' + str(proc.returncode)
        logger.error(errmsg)
        logger.error(err)
        if not FAILED_TO_LIST_DIRECTORY_MSG in err:
            raise HdfsException(errmsg)
        return []
    elif err:
        logger.debug('stderr:\n' + err)
    return out.splitlines()
kuhbmx9i

kuhbmx9i5#

使用子流程

import subprocess
p = subprocess.Popen("hdfs dfs -ls <HDFS Location> |  awk '{print $8}'",
    shell=True,
    stdout=subprocess.PIPE,
    stderr=subprocess.STDOUT)

for line in p.stdout.readlines():
    print line

编辑:不带python的答案。第一个选项也可以用于递归打印所有子目录。最后一个重定向语句可以根据您的要求省略或更改。

hdfs dfs -ls -R <HDFS LOCATION> | awk '{print $8}' > output.txt
hdfs dfs -ls <HDFS LOCATION> | awk '{print $8}' > output.txt

编辑:更正awk命令中缺少的引号。

相关问题