从Pyspark UDF调用另一个自定义Python函数

Posted 2021-04-12

假设你有一个文件，我们称之为udfs.py并在其中：

def nested_f(x):
    return x + 1

def main_f(x):
    return nested_f(x) + 1

然后，您想从main_f函数中创建一个UDF并在数据帧上运行它：

import pyspark.sql.functions as fn
import pandas as pd

pdf = pd.DataFrame([[1], [2], [3]], columns=['x'])
df = spark.createDataFrame(pdf)

_udf = fn.udf(main_f, 'int')
df.withColumn('x1', _udf(df['x'])).show()

如果我们在与定义两个函数的同一文件（udfs.py）中执行此操作，则此工作正常。但是，尝试从不同的文件（比如main.py）执行此操作会产生错误ModuleNotFoundError: No module named ...：

...
import udfs

_udf = fn.udf(udfs.main_f, 'int')
df.withColumn('x1', _udf(df['x'])).show()

我注意到，如果我实际上将nested_f嵌入main_f中，就像这样：

def main_f(x):
    def nested_f(x):
        return x + 1

    return nested_f(x) + 1

一切顺利。但是，我的目标是在多个函数中很好地分离逻辑，我也可以单独测试。

我认为这可以通过使用udfs.py将spark.sparkContext.addPyFile('...udfs.py')文件（或整个压缩文件夹）提交给执行程序来解决。然而：

1. 我觉得这有点啰嗦（特别是如果你需要拉链文件夹......）
2. 这并不总是容易/可能（例如udfs.py可能正在使用许多其他模块，然后也需要提交，导致一些连锁反应...）
3. 还有一些其他的不便与addPyFile（例如autoreload can stop working等）

所以问题是：有没有办法同时做所有这些：

• 让UDF的逻辑很好地分解为几个Python函数
• 从与定义逻辑的位置不同的文件中使用UDF
• 不需要使用addPyFile提交任何依赖项

奖励积分，以澄清这是如何工作/为什么这不起作用！

答案

对于小的（一个或两个本地文件）依赖项，您可以使用--py-files并枚举它们，使用更大或更多的依赖项 - 最好将它打包到zip或egg文件中。

文件udfs.py：

def my_function(*args, **kwargs):
    # code

文件main.py：

from pyspark import SparkContext
from pyspark.sql import SparkSession
from pyspark.sql.functions import udf
from udfs import my_function

sc = SparkContext()
spark = SparkSession(sc)
my_udf = udf(my_function)

df = spark.createDataFrame([(1, "a"), (2, "b")])
df.withColumn("my_f", my_udf("..."))

运行：

pyspark --py-files /path/to/udfs.py
# or
spark-submit --py-files /path/to/udfs.py main.py

如果您已经编写了自己的Python模块甚至是第三方模块（不需要C编译），我个人需要使用geoip2，最好创建一个zip或egg文件。

# pip with -t install all modules and dependencies in directory `src`
pip install geoip2 -t ./src
# Or from local directory
pip install ./my_module -t ./src

# Best is 
pip install -r requirements.txt -t ./src

# If you need add some additionals files
cp ./some_scripts/* ./src/

# And pack it
cd ./src
zip -r ../libs.zip .
cd ..

pyspark --py-files libs.zip
spark-submit --py-files libs.zip

在使用pyspark --master yarn的pyspark shell中使用--py-files（可能还有其他非本地主选项）时要小心：

>>> import sys
>>> sys.path.insert(0, '/path/to/libs.zip')  # You can use relative path: .insert(0, 'libs.zip')
>>> import MyModule  # libs.zip/MyModule

编辑 - 关于如何在没有addPyFile ()和--py-files的情况下获取执行程序函数的问题的答案：

有必要在一个给定的文件中包含各个执行程序的函数。并可通过PATH环境访问。因此，我可能会编写一个Python模块，然后我将其安装在执行程序中并在环境中可用。