python - Python-无法读取大文件

Question

如何从jupyter-notebook中的hdfs中读取一张大表作为 Pandas DataFrame？
该脚本通过docker镜像启动。

库:

sasl == 0.2.1

thrift == 0.11.0

thrift-sasl == 0.4a1

Impyla == 0.16.2

from impala.dbapi import connect 
from impala.util import as_pandas

impala_conn = connect(host='hostname', port=21050,
auth_mechanism='GSSAPI', 
                      timeout=100000, use_ssl=True, ca_cert=None, 
                      ldap_user=None, ldap_password=None, 
                      kerberos_service_name='impala')

这可行。

import pandas as pd
df = pd.read_sql("select id, crt_mnemo from demo_db.stg_deals_opn LIMIT 100", impala_conn)
print(df)

这是行不通的。操作挂起，不给出错误。

import pandas as pd
df = pd.read_sql("select id, crt_mnemo from demo_db.stg_deals_opn LIMIT 1000", impala_conn)
print(df)

Answer 1

使用pandas read_sql函数可以从impala移动的行数似乎是一个问题。我有同样的问题，但是限制比您的限制低。您可能需要与数据库管理员联系以检查大小。
以下是其他选项:https://docs.cloudera.com/machine-learning/cloud/import-data/topics/ml-running-queries-on-impala-tables.html