在 google-dataproc 的 Spark 集群中的 pyspark 作业中使用外部库

Posted 2023-02-16

【中文标题】在 google-dataproc 的 Spark 集群中的 pyspark 作业中使用外部库

【英文标题】：use an external library in pyspark job in a Spark cluster from google-dataproc

【发布时间】：2016-01-26 13:57:52

【问题描述】：

我有一个通过 google dataproc 创建的 spark 集群。我希望能够使用 databricks 中的 csv 库（请参阅 https://github.com/databricks/spark-csv）。所以我首先是这样测试的：

我与集群的主节点启动了一个 ssh 会话，然后我输入：

pyspark --packages com.databricks:spark-csv_2.11:1.2.0

然后它启动了一个 pyspark shell，我在其中输入：

df = sqlContext.read.format('com.databricks.spark.csv').options(header='true', inferschema='true').load('gs:/xxxx/foo.csv')
df.show()

它奏效了。

我的下一步是使用以下命令从我的主机启动此作业：

gcloud beta dataproc jobs submit pyspark --cluster <my-dataproc-cluster> my_job.py

但在这里它不起作用，我得到一个错误。我想是因为我没有给出--packages com.databricks:spark-csv_2.11:1.2.0 作为论据，但我尝试了 10 种不同的方式来给出它，但我没有成功。

我的问题是：

在我输入pyspark --packages com.databricks:spark-csv_2.11:1.2.0 后是否安装了databricks csv 库 我可以在job.py 中写一行以便导入吗？ 或者我应该为我的 gcloud 命令提供哪些参数来导入或安装它？

【问题讨论】：

Dataproc 中存在一个错误，即没有为 Pyspark 作业提取 JARS。我正在寻找一种替代解决方案。我只是想让您知道我们正在研究更大的错误，并且我正在查看我们是否也可以为您确定临时修复程序。 :)

希望在这里也能找到解决方法和修复方法，谢谢@James！我们正在尝试将 dataproc 与 python 和 scala 中的 cassandra 连接器一起使用

【参考方案1】：

简答

如果--packages 出现在my_job.py 参数之后，则spark-submit 不接受参数的排序。要解决此问题，您可以在从 Dataproc 的 CLI 提交时执行以下操作：

gcloud beta dataproc jobs submit pyspark --cluster <my-dataproc-cluster> \
    --properties spark.jars.packages=com.databricks:spark-csv_2.11:1.2.0 my_job.py

基本上，只需在命令中的.py 文件之前添加--properties spark.jars.packages=com.databricks:spark-csv_2.11:1.2.0。

长答案

因此，这实际上是一个与已知的 gcloud beta dataproc jobs submit pyspark 中缺乏对 --jars 的支持不同的问题；看来，如果 Dataproc 没有将 --packages 明确识别为特殊的 spark-submit 级别标志，它会尝试在应用程序参数之后传递它，以便 spark-submit 让 --packages 作为应用程序参数，而不是将其正确解析为提交级别选项。实际上，在 SSH 会话中，以下操作不起作用：

# Doesn't work if job.py depends on that package.
spark-submit job.py --packages com.databricks:spark-csv_2.11:1.2.0

但是，即使在 pyspark 的情况下，两种顺序都有效，但切换参数的顺序确实可以再次工作：

# Works with dependencies on that package.
spark-submit --packages com.databricks:spark-csv_2.11:1.2.0 job.py
pyspark job.py --packages com.databricks:spark-csv_2.11:1.2.0
pyspark --packages com.databricks:spark-csv_2.11:1.2.0 job.py

因此，尽管 spark-submit job.py 应该是以前称为 pyspark job.py 的所有内容的直接替代品，但 --packages 之类的解析顺序的差异意味着它实际上并不是 100% 兼容的迁移。这可能是 Spark 方面需要跟进的事情。

无论如何，幸运的是有一个解决方法，因为--packages 只是 Spark 属性spark.jars.packages 的另一个别名，而且 Dataproc 的 CLI 支持属性很好。因此，您可以执行以下操作：

gcloud beta dataproc jobs submit pyspark --cluster <my-dataproc-cluster> \
    --properties spark.jars.packages=com.databricks:spark-csv_2.11:1.2.0 my_job.py

注意--properties 必须在my_job.py 之前，否则它会作为应用程序参数而不是配置标志发送。希望对你有用！请注意，SSH 会话中的等效项是 spark-submit --packages com.databricks:spark-csv_2.11:1.2.0 job.py。

【讨论】：

这对我有帮助，但我现在正努力在我的包之外注册一个新的存储库。我尝试添加--properties spark.jars.packages=org.elasticsearch:elasticsearch-hadoop:2.4.0,spark.jars.ivy=http://conjars.org/repo，但不知何故，两个正斜杠被转换为一个，驱动程序通过下面的错误输出。您对此错误有任何想法/提供带有两个正斜杠的完全限定网址的正确方法：Exception in thread "main" java.lang.IllegalArgumentException: basedir must be absolute: http:/conjars.org/repo/local

【参考方案2】：

除了@Dennis。

注意，如果你需要加载多个外部包，你需要像这样指定一个自定义的转义字符：

--properties ^#^spark.jars.packages=org.elasticsearch:elasticsearch-spark_2.10:2.3.2,com.data‌​bricks:spark-avro_2.10:2.0.1

请注意软件包列表之前的 ^#^。 有关详细信息，请参阅gcloud topic escaping。