pyspark addPyFile 添加 .py 文件的 zip,但仍未找到模块
Posted
技术标签:
【中文标题】pyspark addPyFile 添加 .py 文件的 zip,但仍未找到模块【英文标题】:pyspark addPyFile to add zip of .py files, but module still not found 【发布时间】:2018-07-20 21:15:32 【问题描述】:使用 addPyFiles()
似乎不会将所需文件添加到 spark 作业节点(spark 的新手,因此此处可能缺少一些基本的使用知识)。
尝试使用 pyspark 运行脚本并看到某些模块无法导入的错误。以前从未使用过 spark,但其他帖子(来自有问题的包 https://github.com/cerndb/dist-keras/issues/36#issuecomment-378918484 和 https://***.com/a/39779271/8236733)建议压缩模块并通过 sparkContext.addPyFiles(mymodulefiles.zip)
添加到 spark 作业,但仍然出现错误。相关代码sn-ps是...
from distkeras.trainers import *
from distkeras.predictors import *
from distkeras.transformers import *
from distkeras.evaluators import *
from distkeras.utils import *
(我在这里导入的包在https://github.com/cerndb/dist-keras找不到),
conf = SparkConf()
conf.set("spark.app.name", application_name)
conf.set("spark.master", master) #master='yarn-client'
conf.set("spark.executor.cores", `num_cores`)
conf.set("spark.executor.instances", `num_executors`)
conf.set("spark.locality.wait", "0")
conf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer");
if using_spark_2:
from pyspark.sql import SparkSession
sc = SparkSession.builder.config(conf=conf) \
.appName(application_name) \
.getOrCreate()
sc.sparkContext.addPyFile("/home/me/Downloads/distkeras.zip") # see https://github.com/cerndb/dist-keras/issues/36#issuecomment-378918484 and https://forums.databricks.com/answers/10207/view.html
print sc.version
(distkeras.zip 是此目录的压缩文件。:https://github.com/cerndb/dist-keras/tree/master/distkeras),以及
transformer = OneHotTransformer(output_dim=nb_classes, input_col="label_index", output_col="label")
dataset = transformer.transform(dataset)
"""throwing error...
.....
File "/opt/mapr/spark/spark-2.1.0/python/pyspark/serializers.py", line 458, in loads
return pickle.loads(obj)
ImportError: No module named distkeras.utils
at org.apache.spark.api.python.PythonRunner$$anon$1.read(PythonRDD.scala:193)
.....
"""
从我能找到的文档和示例(http://spark.apache.org/docs/2.1.0/api/python/pyspark.html#pyspark.SparkContext.addPyFile 和 https://forums.databricks.com/questions/10193/the-proper-way-to-add-in-dependency-py-files.html)中,上面的代码似乎对我有用(同样,以前从未使用过 spark)。有人知道我在这里做错了什么吗?可以发布对调试有用的更多信息吗?
【问题讨论】:
【参考方案1】:已修复问题。诚然,解决方案并非完全与火花相关,而是为了其他可能有类似问题的人而发布问题,因为给定的错误消息并没有从一开始就完全清楚我的错误。
TLDR:确保正在加载的 zip 文件的包内容(因此它们应在每个目录中包含一个 __init.py__)按照您的代码预期的方式进行结构化和命名。
我试图通过 zip 加载到 spark 上下文中的包的格式为
mypkg
file1.py
file2.py
subpkg1
file11.py
subpkg2
file21.py
在运行less mypkg.zip
时显示我的 zip
file1.py file2.py subpkg1 subpkg2
所以这里有两件事是错误的。
-
没有压缩顶层目录。这是编码期望使用的主要包
未压缩较低级别的目录。
解决了
zip -r mypkg.zip mypkg
更具体地说,必须制作 2 个 zip 文件
对于 dist-keras 包:
cd dist-keras; zip -r distkeras.zip distkeras
见https://github.com/cerndb/dist-keras/tree/master/distkeras
distkeras 使用的 keras 包(未跨集群安装):
cd keras; zip -r keras.zip keras
见https://github.com/keras-team/keras/tree/master/keras
所以声明 spark session 看起来像
conf = SparkConf()
conf.set("spark.app.name", application_name)
conf.set("spark.master", master) #master='yarn-client'
conf.set("spark.executor.cores", `num_cores`)
conf.set("spark.executor.instances", `num_executors`)
conf.set("spark.locality.wait", "0")
conf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer");
# Check if the user is running Spark 2.0 +
if using_spark_2:
from pyspark.sql import SparkSession
sc = SparkSession.builder.config(conf=conf) \
.appName(application_name) \
.getOrCreate()
sc.sparkContext.addPyFile("/home/me/projects/keras-projects/exploring-keras/keras-dist_test/dist-keras/distkeras.zip")
sc.sparkContext.addPyFile("/home/me/projects/keras-projects/exploring-keras/keras-dist_test/keras/keras.zip")
print sc.version
【讨论】:
只是想突出显示 ,所以他们应该在每个目录中包含一个 _init.py_。。这对我来说是难题的关键部分,我的本地 Python 测试很高兴没有。【参考方案2】:如果你的模块如下
我的模块\n - 初始化.py -spark1.py -spark2.py
不要进入 myModule 文件夹并添加到 zip。你提到的这个错误。
相反,转到 myModule 文件夹之外。 右键单击并将 myModule 文件夹添加到 zip 并提供另一个名称。
这个想法是当 spark 提取您的 zip 时,应该存在具有相同名称和 hyrarchy 的 myModule 文件夹
【讨论】:
事实证明,“给另一个名字”部分很重要。否则它对我不起作用。以上是关于pyspark addPyFile 添加 .py 文件的 zip,但仍未找到模块的主要内容,如果未能解决你的问题,请参考以下文章
使用 spark.sparkContext.addPyFile 导入 Pandas UDF
Ipython 笔记本中的 pyspark 引发 Py4JNetworkError