最近準備使用Python+Hadoop+Pandas進行一些深度的分析與機器學習相關工作。(當然隨著學習過程的進展，現在準備使用Python+Spark+Hadoop這樣一套體系來搭建后續的工作環境)，當然這是后話。
但是這項工作首要條件就是將Python與Hadoop進行打通，本來認為很容易的一項工作，沒有想到竟然遇到各種坑，花費了整整半天時間。后來也在網上看到大家在咨詢相同的問題，但是真正解決這個問題的帖子又幾乎沒有，所以現在將Python連接Hadoop數據庫過程中遇到的各種坑進行一個匯總，然后與大家進行分享，以盡量避免大家花費寶貴的時間。
(說明一下：這篇文章中的各種坑的解決，翻閱了網上無數的帖子，最好一GIT上面一個帖子的角落里面帶了這么一句，否則很容易翻船。但是由于帖子太多，所以我就不一一帖出來了)
首先是選組件，我選擇的是使用：impala+Python3.7來連接Hadoop數據庫，如果你不是的話，就不要浪費寶貴時間繼續閱讀了。
執行的代碼如下：
import impala.dbapi as ipdb
conn = ipdb.connect(host="192.168.XX.XXX",port=10000,user="xxx",password="xxxxxx",database="xxx",auth_mechanism='PLAIN')
cursor = conn.cursor()
#其中xxxx是表名，為了不涉及到公司的信息，我把表名隱藏掉了，大家自己換成自己數據庫表名
cursor.execute('select * From xxxx')
print(cursor.description) # prints the result set's schema
for rowData in cursor.fetchall():
print(rowData)
conn.close()
坑一：提示語法錯誤
現象：
/Users/wangxxin/miniconda3/bin/python3.7 /Users/wangxxin/Documents/Python/PythonDataAnalyze/project/knDt/pyHiveTest.py
Traceback (most recent call last):
File "/Users/wangxxin/Documents/Python/PythonDataAnalyze/project/knDt/pyHiveTest.py", line 1, in
import impala.dbapi as ipdb
File "/Users/wangxxin/miniconda3/lib/python3.7/site-packages/impala/dbapi.py", line 28, in
import impala.hiveserver2 as hs2
File "/Users/wangxxin/miniconda3/lib/python3.7/site-packages/impala/hiveserver2.py", line 340
async=True)
解決辦法：將參數async全部修改為“async_”(當然這個可以隨便，只要上下文一致，并且不是關鍵字即可)，原因：在Python3.0中，已經將async標為關鍵詞，如果再使用async做為參數，會提示語法錯誤；應該包括以下幾個地方：
#hiveserver2.py文件338行左右
op = self.session.execute(self._last_operation_string,
configuration,
async_=True)
#hiveserver2.py文件1022行左右
def execute(self, statement, configuration=None, async_=False):
req = TExecuteStatementReq(sessionHandle=self.handle,
statement=statement,
confOverlay=configuration,
runAsync=async_)
坑二：提供的Parser.py文件有問題，加載的時候會報錯
解決辦法：
#根據網上的意見對原代碼進行調整
elif url_scheme in ('c', 'd', 'e', 'f'):
with open(path) as fh:
data = fh.read()
elif url_scheme in ('http', 'https'):
data = urlopen(path).read()
else:
raise ThriftParserError('ThriftPy does not support generating module '
'with path in protocol \'{}\''.format(
url_scheme))
以上的坑一、坑二建議你直接修改。這兩點是肯定要調整的；
坑三：上面的兩個問題處理好之后，繼續運行，會報如下錯誤：
TProtocolException: TProtocolException(type=4)
解決辦法：
原因是由于connect方法里面沒有增加參數：auth_mechanism='PLAIN，修改如下所示：
import impala.dbapi as ipdb
conn = ipdb.connect(host="192.168.XX.XXX",port=10000,user="xxx",password="xxxxxx",database="xxx",auth_mechanism='PLAIN')`
坑四：問題三修改好之后，繼續運行程序，你會發現繼續報錯：
AttributeError: 'TSocket' object has no attribute 'isOpen'
解決辦法：
由于是thrift-sasl的版本太高了(0.3.0)，故將thrift-sasl的版本降級到0.2.1
pip uninstall thrift-sasl
pip install thrift-sasl==0.2.1
坑五：處理完這個問題后，繼續運行，繼續報錯(這個時間解決有點快崩潰的節奏了，但是請堅持住，其實你已經很快接近最后結果了)：
thriftpy.transport.TTransportException: TTransportException(type=1, message="Could not start SASL: b'Error in sasl_client_start (-4) SASL(-4): no mechanism available: Unable to find a callback: 2'")
解決辦法：這個是最麻煩的，也是目前最難找到解決辦法的。
I solved the issue, had to uninstall the package SASL and install PURE-SASL, when impyla can′t find the sasl package it works with pure-sasl and then everything goes well.
主要原因其實還是因為sasl和pure-sasl有沖突，這種情況下，直接卸載sasl包就可能了。
pip uninstall SASL
坑六：但是執行完成，繼續完成，可能還是會報錯：
TypeError: can't concat str to bytes
定位到錯誤的最后一條，在init.py第94行(標黃的部分)
header = struct.pack(">BI", status, len(body))
#按照網上的提供的辦法增加對BODY的處理
if (type(body) is str):
body = body.encode()
self._trans.write(header + body)
self._trans.flush()
經過以上步驟，大家應該可以連接Hive庫查詢數據，應該是不存在什么問題了。
最后總結一下，連接Hadoop數據庫中各種依賴包，請大家仔細核對一下依賴包(最好是依賴包相同，也就是不多不少[我說的是相關的包]，這樣真的可以避免很多問題的出現)
序號
包名
版本號
安裝命令行
1
pure_sasl
0.5.1
pip install pure_sasl==0.5.1 -i https://pypi.tuna.tsinghua.edu.cn/simple
2
thrift
0.9.3
pip install thrift==0.9.3 -i https://pypi.tuna.tsinghua.edu.cn/simple
3
bitarray
0.8.3
pip install bitarray==0.8.3 -i https://pypi.tuna.tsinghua.edu.cn/simple
4
thrift_sasl
0.2.1
pip install thrift_sasl==0.2.1 -i https://pypi.tuna.tsinghua.edu.cn/simple
5
thriftpy
0.3.9
pip install thriftpy==0.3.9 -i https://pypi.tuna.tsinghua.edu.cn/simple
6
impyla
0.14.1
pip install impyla==0.14.1 -i https://pypi.tuna.tsinghua.edu.cn/simple
建議按順序安裝，我這邊之前有依賴包的問題，但是最終我是通過conda進行安裝的。
其中在安裝thriftpy、thrift_sasl、impyla報的時候報錯，想到自己有conda，直接使用conda install，會自動下載依賴的包，如下所示(供沒有conda環境的同學參考)
package
build
size
ply-3.11
py37_0
80 KB
conda-4.6.1
py37_0
1.7 MB
thriftpy-0.3.9
py37h1de35cc_2
171 KB
祝您好運！如果在實際過程中還是遇到各種各樣的問題，請你留言。
最后有一點提示：
SQL里面不要帶分號，否則會報錯。但是這個就不是環境問題了。報錯如下：
impala.error.HiveServer2Error: Error while compiling statement: FAILED: ParseException line 2:83 cannot recogniz
到此這篇關于Python連接Hadoop數據中遇到的各種坑(匯總)的文章就介紹到這了,更多相關Python連接Hadoop內容請搜索我們以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持我們！
本文標題: Python連接Hadoop數據中遇到的各種坑(匯總)
本文地址: http://www.cppcns.com/jiaoben/python/307541.html
