Apache spark 如何在AWS EMR上使用带有pyspark的Graphframe？

我正在尝试在AWS EMR上使用Jupyter笔记本中的pyspark包（使用Sagemaker和sparkmagic）。在AWS控制台中创建EMR群集时，我尝试添加一个配置选项：

[{"classification":"spark-defaults", "properties":{"spark.jars.packages":"graphframes:graphframes:0.7.0-spark2.4-s_2.11"}, "configurations":[]}]

但我在jupyter笔记本的pyspark代码中尝试使用graphframes包时仍然出错

以下是我的代码（来自graphframes示例）：

下面是输出/错误：

ImportError: No module named graphframes

---

我通读了一遍，但所有可能的解决方法似乎都非常复杂，需要ssh连接到EMR集群的主节点。

我最终发现了一个问题。我用它创建了一个详细的引导操作，尽管我做了一些修改

以下是我为让电子病历中的图形框架工作所做的：

首先，我创建了一个shell脚本并将其保存为s3，名为“install_jupyter_libraries_emr.sh”：

然后，我在AWS控制台中完成了高级选项EMR创建过程。

• 在步骤1中，我在“编辑软件设置”文本框中添加了graphframes包的maven坐标：

• 在步骤3：常规集群设置期间，我进入了引导操作部分
• 在bootstrap actions部分中，我添加了一个新的自定义bootstrap action，其中包括：
  • 任意的名字
  • 我的“install\u jupyter\u libraries\u emr.sh”脚本的s3位置
  • 没有可选参数
• 然后我开始创建集群

集群启动后，我进入Jupyter并运行代码：

这一次，我终于得到了正确的输出：

+---+--------+
| id|inDegree|
+---+--------+
|  c|       1|
|  b|       2|
+---+--------+

+---+------------------+
| id|          pagerank|
+---+------------------+
|  b|1.0905890109440908|
|  a|              0.01|
|  c|1.8994109890559092|
+---+------------------+

---

上面的答案很好，但是现在Graphframe的存储库位于。因此，为了使其发挥作用，分类应改为：

[
 {
  "classification":"spark-defaults",
  "properties":{
    "spark.jars.packages":"graphframes:graphframes:0.8.0-spark2.4-s_2.11",
    "spark.jars.repositories":"https://repos.spark-packages.org/"
  }
 }
]

---

回答得很好，我很感激你回来提出你的解决方案。如果由我决定，我会给你所有的假互联网积分。非常感谢使用最新的AWS EMR集群，我不得不使用“sudo pip-3.6安装graphframes”使其工作（而不是简单的pip）

[{"classification":"spark-defaults","properties":{"spark.jars.packages":"graphframes:graphframes:0.7.0-spark2.4-s_2.11"}}]

# Create a Vertex DataFrame with unique ID column "id"
v = spark.createDataFrame([
  ("a", "Alice", 34),
  ("b", "Bob", 36),
  ("c", "Charlie", 30),
], ["id", "name", "age"])
# Create an Edge DataFrame with "src" and "dst" columns
e = spark.createDataFrame([
  ("a", "b", "friend"),
  ("b", "c", "follow"),
  ("c", "b", "follow"),
], ["src", "dst", "relationship"])
# Create a GraphFrame
from graphframes import *
g = GraphFrame(v, e)

# Query: Get in-degree of each vertex.
g.inDegrees.show()

# Query: Count the number of "follow" connections in the graph.
g.edges.filter("relationship = 'follow'").count()

# Run PageRank algorithm, and show results.
results = g.pageRank(resetProbability=0.01, maxIter=20)
results.vertices.select("id", "pagerank").show()

+---+--------+
| id|inDegree|
+---+--------+
|  c|       1|
|  b|       2|
+---+--------+

+---+------------------+
| id|          pagerank|
+---+------------------+
|  b|1.0905890109440908|
|  a|              0.01|
|  c|1.8994109890559092|
+---+------------------+

[
 {
  "classification":"spark-defaults",
  "properties":{
    "spark.jars.packages":"graphframes:graphframes:0.8.0-spark2.4-s_2.11",
    "spark.jars.repositories":"https://repos.spark-packages.org/"
  }
 }
]