为PySpark绑定Python3包会导致缺少导入

我正在尝试运行一个依赖于某些python3库的PySpark作业。 我知道我可以在Spark集群上安装这些库，但是因为我正在为多个作业重用集群，所以我宁愿捆绑所有依赖项，并通过

--py files

指令将它们传递给每个作业

为此，我使用：

pip3 install -r requirements.txt --target ./build/dependencies
cd ./build/dependencies
zip -qrm . ../dependencies.zip

它有效地从根级别使用的所需包中提取所有代码

在my

main.py

中，我可以导入依赖项

if os.path.exists('dependencies.zip'):
    sys.path.insert(0, 'dependencies.zip')

并将.zip添加到我的Spark上下文中

sc.addPyFile('dependencies.zip')

到目前为止还不错

但出于某种原因，这将在某种程度上依赖于火花星团

跑步

spark提交--py files dependencies.zip main.py

在

main.py

（或类）中，我想使用熊猫。它将触发此错误的代码：

回溯（最近一次呼叫最后一次）：

文件“/Users/tomlous/Development/Python/enrichers/build/main.py”，第53行，在 job\u module=importlib.import\u module（'spark.jobs.%s'%args.job\u name）

文件“”，第978行，在_gcd_import中

文件“”，第961行，在“查找”和“加载”中

文件“”，第950行，在“查找”和“加载”中解锁

文件“”，第646行，在“加载”中

文件“”，第616行，可向后加载

文件“dependencies.zip/spark/jobs/classify_existence.py”，第9行，在

文件“dependencies.zip/enrich/existence.py”，第3行，在

文件“dependencies.zip/pandas/init.py”，第19行，在

ImportError:缺少必需的依赖项['numpy']

看看panda的

\uuuu init\uuuuuuy.py

我看到了类似于

\uuuuuu import\uuuuuuy（numpy）

所以我假设numpy没有加载

但如果我将代码更改为显式调用numpy函数，它实际上会找到numpy，但不会找到它的某些依赖项

import numpy as np
a = np.array([1, 2, 3])

代码返回

回溯（最近一次呼叫最后一次）：

文件“dependencies.zip/numpy/core/init.py”，第16行，在

导入错误：无法导入名称“multiarray”

所以我的问题是：

---

如何将python3库与spark作业捆绑在一起，而不必在spark群集上安装所有可能的库？

如果切换到virtualenv，您可以轻松实现这一点。在这个环境中，您需要安装所有必要的需求，然后使用

--archives

将其压缩并传递。这是一篇描述细节的好文章：

更新：有一个内聚回购协议，其中包括一个非常出色的示例项目。你应该看看，尤其是如果我下面的例子不适合你。回购协议如下： 并包括以下在纱线上运行的示例： 这要求您首先导出几个环境变量。（我提供的值特定于EMR，因此您的值可能不同。）

---

如本文所述： 有必要使用virtualenv（或者conda可能会起作用）之类的工具，以避免遇到与Python包（如Numpy）的C库编译相关的问题依赖于基础硬件体系结构，但由于依赖项和/或任务节点中的硬链接（可能与主节点实例具有不同的硬件）而无法成功移植到群集中的其他计算机

这里讨论了--archives和--py文件之间的一些差异：

我建议使用--archives with virtualenv来提供包含包依赖项的压缩文件，以避免我上面提到的一些问题

例如，从Amazon Elastic Map Reduce（EMR）集群，当ssh连接到主实例时，我能够成功地使用spark submit从VirtualEnvironment执行测试python脚本，如下所示：

pip-3.4 freeze | egrep -v sagemaker > requirements.txt
# Above line is just in case you want to port installed packages across environments.
virtualenv -p python3 spark_env3
virtualenv -p python3 --relocatable spark_env3
source spark_env3/bin/activate
sudo pip-3.4 install -U pandas boto3 findspark jaydebeapi
# Note that the above libraries weren't required for the test script, but I'm showing how you can add additional dependencies if needed.
sudo pip-3.4 install -r requirements.txt
# The above line is just to show how you can load from a requirements file if needed.
cd spark_env3
# We must cd into the directory before we zip it for Spark to find the resources. 
zip -r ../spark_env3_inside.zip *
# Be sure to cd back out after building the zip file. 
cd ..

PYSPARK_PYTHON=./spark_env3/bin/python3 spark-submit \ 
  --conf spark.yarn.appMasterEnv.PYSPARK_PYTHON=./spark_env3/bin/python3 \
  --master yarn-cluster \
  --archives /home/hadoop/spark_env3_inside.zip#spark_env3 \
  test_spark.py

请注意，上面最后一行末尾附近的标签不是注释。这是spark submit的指令，如下所述：

我正在运行的测试脚本的源代码来自本文，其中讨论了如何使用conda而不是virtualenv来运行pyspark作业：

并包含test_spark.py脚本的以下代码：

# test_spark.py
import os
import sys
from pyspark import SparkContext
from pyspark import SparkConf

conf = SparkConf()
conf.setAppName("get-hosts")

sc = SparkContext(conf=conf)

def noop(x):
    import socket
    import sys
    return socket.gethostname() + ' '.join(sys.path) + ' '.join(os.environ)

rdd = sc.parallelize(range(1000), 100)
hosts = rdd.map(noop).distinct().collect()
print(hosts)

如果您想要一些关于使用virtualenv执行pyspark作业的背景信息，正如@Mariusz已经提到的，在这篇博文中有一个有用的例子：（虽然它没有解释我在提供的其他链接中澄清的一些细节）

在这里提供的回复帖子中还有一个额外的例子：

---

这里还有另一个例子：

我会从记录

sys.path

开始，以了解pyspark节点看到的内容。我会连接到workernode，启动python并开始执行导入。我会尝试记录，但连接到workernode有点达不到目的。GCP为集群提供init操作，我现在将其用于解决方案，但我倾向于将集群用于多个Spark作业，现在我必须积累所有作业中的所有python包，并在集群初始化时安装它们。所以从技术上讲，这是可行的，但似乎是Scala/Java提供的一个差劲的替代品，它创建了带有捆绑dependenciesthank的胖jar。我已经有一段时间没有做这个了，但这似乎是我一直在寻找的。这并没有解决具有特定C绑定的模块的更精细的问题。尽管本文引用了numpy（其中一个特殊的库），但它并没有处理OP所经历的恐怖。

# test_spark.py
import os
import sys
from pyspark import SparkContext
from pyspark import SparkConf

conf = SparkConf()
conf.setAppName("get-hosts")

sc = SparkContext(conf=conf)

def noop(x):
    import socket
    import sys
    return socket.gethostname() + ' '.join(sys.path) + ' '.join(os.environ)

rdd = sc.parallelize(range(1000), 100)
hosts = rdd.map(noop).distinct().collect()
print(hosts)