在读取文件的时候，我们很多时候并不需要文件头的注释信息（即第一行），通过判断其是否是第一行来读取在读取大文件时很费劲（每读取一行判断一次）。
下面是我跳过第一行的方法总结

• 打开文件后f.readlines()返回的是一个包含每一行的列表，因此我们可以如下操作（也可以从任意行开始读取）：

with open('file_name', 'r') as f:
    lines = f.readlines()[1:]  # skip the first line.
    for line in lines:
    	print(line)
使用next函数跳过第一行读取文件
 
with open('file_name', 'r') as f:
	next(f)  # skip the first line.
    for line in f.readlines():
    	print(line)
使用第三方库itertools的islice函数，这个函数根据其第二个参数从任意行开始读取，这里传入1是因为python下标从0开始。
 
from itertools import islice  
with open('file_name', 'r') as f: 
	for line in islice(f, 1, None):  
    	print(line)
                    在读取文件的时候，我们很多时候并不需要文件头的注释信息（即第一行），通过判断其是否是第一行来读取在读取大文件时很费劲（每读取一行判断一次）。下面是我跳过第一行的方法总结打开文件后f.readlines()返回的是一个包含每一行的列表，因此我们可以如下操作（也可以从任意行开始读取）：with open('file_name', 'r') as f:    lines = f.readli...
　　本书从Hadoop的缘起开始，由浅入深，结合理论和实践，全方位地介绍Hadoop这一高性能处理海量数据集的理想工具。全书共16章，3个附录，涉及的主题包括：Haddoop简介；MapReduce简介；Hadoop分布式文件系统；Hadoop的I/O、MapReduce应用程序开发；MapReduce的工作机制；MapReduce的类型和格式；MapReduce的特性；如何构建Hadoop集群，如何管理Hadoop；Pig简介；Hbase简介；Hive简介；ZooKeeper简介；开源工具Sqoop，最后还提供了丰富的案例分析。
　　本书是Hadoop权威参考，程序员可从中探索如何分析海量数据集，管理员可以从中了解如何安装与运行Hadoop集群。
第1章  初识Hadoop
　数据！数据！
　数据存储与分析
　与其他系统相比
　关系型数据库管理系统
　1.3.4  Hadoop 发展简史
　Apache Hadoop和Hadoop生态圈
第2章  关于MapReduce
　一个气象数据集
　数据的格式
　使用Unix工具进行数据分析
　使用Hadoop分析数据
　map阶段和reduce阶段
　运行一个分布式的MapReduce作业
　Hadoop的Streaming
　Ruby版本
　Python版本
　Hadoop Pipes
第3章  Hadoop分布式文件系统
　HDFS的设计
　HDFS的概念
　namenode和datanode
　命令行接口
　基本文件系统操作
　Hadoop文件系统
　Java接口
　从Hadoop URL中读取数据
　通过FileSystem API读取数据
　查询文件系统
　文件读取剖析
　文件写入剖析
　通过 distcp并行拷贝
　保持 HDFS 集群的均衡
　Hadoop的归档文件
　使用Hadoop归档文件
第4章  Hadoop I/O
　数据完整性
　HDFS的数据完整性
　LocalFileSystem
　ChecksumFileSystem
　codec
　压缩和输入切分
　在MapReduce中使用压缩
　Writable接口
　Writable类
　实现定制的Writable类型
　序列化框架
　依据文件的数据结构
　写入SequenceFile
　MapFile
第5章  MapReduce应用开发
　配置API
　合并多个源文件
　可变的扩展
　配置开发环境
　辅助类GenericOptionsParser，Tool和ToolRunner
　编写单元测试
　mapper
　reducer
　本地运行测试数据
　在本地作业运行器上运行作业
　测试驱动程序
　在集群上运行
　MapReduce的Web界面
　使用远程调试器
　MapReduce的工作流
　将问题分解成MapReduce作业
　运行独立的作业
第6章  MapReduce的工作机制
　剖析MapReduce作业运行机制
　作业的提交
　作业的初始化
　任务的分配
　任务的执行
　进度和状态的更新
　作业的完成
　tasktracker失败
　jobtracker失败
　作业的调度
　Fair Scheduler
　Capacity Scheduler
　shuffle和排序
　reduce端
　配置的调优
　任务的执行
　推测式执行
　重用JVM
　跳过坏记录
　任务执行环境
第7章  MapReduce的类型与格式
　MapReduce的类型
　默认的MapReduce作业
　输入分片与记录
　二进制输入
　数据库输入(和输出)
　二进制输出
　数据库输出
第8章  MapReduce的特性
　内置计数器
　用户定义的Java计数器
　用户定义的Streaming计数器
　map端联接
　reduce端联接
　边数据分布
　利用JobConf来配置作业
　分布式缓存
　MapReduce库类
第9章  构建Hadoop集群
　集群的构建和安装
　安装Java
　创建Hadoop用户
　安装Hadoop
　SSH配置
　Hadoop配置
　Hadoop守护进程的关键属性
　Hadoop守护进程的地址和端口
　Hadoop的其他属性
　创建用户帐号
　Kerberos和Hadoop
　其他安全性改进
　利用基准测试程序测试Hadoop集群
　Hadoop基准测试程序
　用户的作业
　云上的Hadoop
　Amazon EC2上的Hadoop
第10章  管理Hadoop
　永久性数据结构
　Java管理扩展(JMX)
　日常管理过程
　委任节点和解除节点
第11章  Pig简介
　安装与运行Pig
　运行Pig程序
　Grunt
　Pig Latin编辑器
　与数据库比较
　PigLatin
　1.4.4  类型
　用户自定义函数
　过滤UDF
　计算UDF
　加载UDF
　数据处理操作
　加载和存储数据
　分组与连接数据
　对数据进行排序
　组合和分割数据
　Pig实战
第12章  Hive
　1.1  安装Hive
　1.1.1  Hive外壳环境
　1.2  示例
　1.3  运行Hive
　1.3.1  配置Hive
　1.3.2  Hive服务
　1.3.3  Metastore
　1.4   和传统数据库进行比较
　1.4.1  读时模式(Schema on Read)vs.写时模式(Schema  onWrite)
　1.4.2  更新、事务和索引
　1.5  HiveQL
　1.5.1  数据类型
　1.5.2  操作和函数
　1.6  表
　1.6.1  托管表(Managed  Tables)和外部表(External Tables)
　1.6.2  分区(Partitions)和桶(Buckets)
　1.6.3  存储格式
　1.6.4  导入数据
　1.6.5  表的修改
　1.6.6  表的丢弃
　1.7  查询数据
　1.7.1  排序(Sorting)和聚集(Aggregating)
　1.7.2  MapReduce脚本
　1.7.3  连接
　1.7.4  子查询
　1.7.5  视图(view)
　1.8  用户定义函数(User-Defined Functions)
　1.8.1  编写UDF
　1.8.2  编写UDAF
第13章  HBase
　2.1  HBasics
　2.1.1  背景
　2.2  概念
　2.2.1  数据模型的“旋风之旅”
　2.2.2  实现
　2.3  安装
　2.3.1  测试驱动
　2.4  客户机
　2.4.1  Java
　2.4.2  Avro，REST，以及Thrift
　2.5  示例
　2.5.1  模式
　2.5.2  加载数据
　2.5.3  Web查询
　2.6  HBase和RDBMS的比较
　2.6.1  成功的服务
　2.6.2  HBase
　2.6.3  实例：HBase在Streamy.com的使用
　2.7  Praxis
　2.7.1  版本
　2.7.2  HDFS
　2.7.3  用户接口(UI)
　2.7.4  度量(metrics)
　2.7.5  模式设计
　2.7.6  计数器
　2.7.7  批量加载(bulkloading)
第14章  ZooKeeper
　安装和运行ZooKeeper
　ZooKeeper中的组成员关系
　列出组成员
　ZooKeeper服务
　使用ZooKeeper来构建应用
　具有可恢复性的ZooKeeper应用
　生产环境中的ZooKeeper
　可恢复性和性能
第15章  开源工具Sqoop
　获取Sqoop
　一个导入的例子
　其他序列化系统
　深入了解数据库导入
　导入和一致性
　直接模式导入
　使用导入的数据
　导入的数据与Hive
　导入大对象
　深入了解导出
　导出与事务
　导出和SequenceFile
第16章  实例分析
　Hadoop 在Last.fm的应用
　Last.fm：社会音乐史上的革命
　Hadoop a Last.fm
　用Hadoop产生图表
　Track Statistics程序
　Hadoop和Hive在Facebook的应用
　Hadoop a Facebook
　假想的使用情况案例
　问题与未来工作计划
　Nutch 搜索引擎
　Nutch系统利用Hadoop进行数据处理的精选实例
　Rackspace的日志处理
　选择Hadoop
　收集和存储
　日志的MapReduce模型
　关于Cascading
　字段、元组和管道
　Tap类，Scheme对象和Flow对象
　Cascading实战
　Hadoop和Cascading在ShareThis的应用
　在Apache Hadoop上的TB字节数量级排序
　使用Pig和Wukong来探索10亿数量级边的 网络图
　每个人都在和我说话：Twitter回复关系图
　degree(度)
附录A  安装Apache Hadoop
　伪分布模式
　全分布模式
附录B  Cloudera’s Distribution  for Hadoop
附录C  准备NCDC天气数据
path：str .xlsx或.xlsm文件的路径。
 sheet_name：str，可选要读取的工作表的名称。 如果不存在，则读取第一张（不是活动的！）表。 默认值为“无”。
 header：bool，可选是否将第一行用作列标题。 默认值为True。
 index_col：布尔型，可选是否将第一列用作索引。 默认值为False。
 skiprows：int列表，可选。 要跳过的行号（[0，1]跳过前两行）。 默认值为[]。
 skipcolumns：int列表，可选。 要跳过的列号（[0，1]跳过前两列）。 默认值为[]。
TypeError如果文件不是.xlsx或.xlsm文件。 FileNotFou
 W3C 扩展：%Y-%m-%d %H:%M:%S
 系统日志：%b %d %H:%M:%S
 NSCA Common/Apache: 主机 rfc931 用户名 [%d/%b/%Y:%H:%M:%S +TZ]
 绑定 8：%d-%b-%Y %H:%M:%S。
 Nginx 错误日志：%Y/%m/%d %H:%M:%S。 用 Python 2.6 测试
您可以使用以下方法安装它： 
 pip install timegrep
待办事项：如果搜索落在第一行或最后一行的中间，请确保它有效
TODO：确保同步读取恰好落在正在搜索的行的开头，然后被第二次读取跳过的行
DONE：支持更多日志时间格式
with open('file.csv','r',newline="",encoding="GB18030") as read_csvfile:
        readcsv_all = csv.reader(read_csvfile)
        next(read_csvfile)        #跳过第一行“标题”
        for line in readcsv_all:
				
Python编程时，经常需要跳过第一行读取文件内容。比较容易想到是为每行设置一个line_num，然后判断line_num是否为1，如果不等于1，则进行读取操作。相应的Python代码如下：
input_file = open("C:\\Python34\\test.csv")
line_num = 0
for line in islice(input_file, 1, None):
def ReadTxt(filename):
    f = codecs.open(filename, mode='r', encoding='utf-8')
    next(f) #这就跳过第一行了啊
    line = f.readline()
    li...
				python3 IndexError: only integers, slices (`:`), ellipsis (`...`), numpy.newaxis (`None`)
				Ubuntu不能挂载移动硬盘问题Error mounting /dev/sda1 at /media/XXXX: Command-line `mount -t "ntfs" -o