python - 在工作节点上安装 SPARK 模块

Question

我在 cloudera 环境中以独立模式运行 SPARK 1.3。我可以从 ipython 笔记本运行 pyspark，但是一旦我添加第二个工作节点，我的代码就会停止运行并返回错误。我很确定这是因为我的主节点上的模块对工作节点不可见。我尝试导入 numpy，但即使我通过 anaconda 在我的 worker 上安装了 numpy，它也没有用。我以相同的方式在 master 和 worker 上安装了 anaconda。

但是，根据 Josh Rosen 的建议，我确保在工作节点上安装了这些库。

https://groups.google.com/forum/#!topic/spark-users/We_F8vlxvq0

但是，我似乎仍然遇到问题。包括我的 worker 无法识别命令 abs 的事实。这是 python 2.6 中的标准

我正在运行的代码来自这篇文章:

https://districtdatalabs.silvrback.com/getting-started-with-spark-in-python

def isprime(n):
    """
    check if integer n is a prime
    """
    # make sure n is a positive integer
    n = abs(int(n))
    # 0 and 1 are not primes
    if n < 2:
        return False
    # 2 is the only even prime number
    if n == 2:
        return True
    # all other even numbers are not primes
    if not n & 1:
        return False
    # range starts with 3 and only needs to go up the square root of n
    # for all odd numbers
    for x in range(3, int(n**0.5)+1, 2):
        if n % x == 0:
            return False
    return True

# Create an RDD of numbers from 0 to 1,000,000
nums = sc.parallelize(xrange(1000000))

# Compute the number of primes in the RDD
print nums.filter(isprime).count()

Answer 1

我也经常将 anaconda 发行版与 PySpark 一起使用，发现设置 PYSPARK_PYTHON 变量很有用，指向 anaconda 发行版中的 python 二进制文件。我发现否则我会遇到很多奇怪的错误。您可以通过运行 rdd.map(lambda x: sys.executable).distinct().collect() 来检查是否正在使用 python。我怀疑它没有指向正确的位置。

无论如何，我建议将路径和环境变量的配置包装在脚本中。我使用以下内容。

def configure_spark(spark_home=None, pyspark_python=None):
    spark_home = spark_home or "/path/to/default/spark/home"
    os.environ['SPARK_HOME'] = spark_home

    # Add the PySpark directories to the Python path:
    sys.path.insert(1, os.path.join(spark_home, 'python'))
    sys.path.insert(1, os.path.join(spark_home, 'python', 'pyspark'))
    sys.path.insert(1, os.path.join(spark_home, 'python', 'build'))

    # If PySpark isn't specified, use currently running Python binary:
    pyspark_python = pyspark_python or sys.executable
    os.environ['PYSPARK_PYTHON'] = pyspark_python

当您指向您的 anaconda 二进制文件时，您还应该能够导入安装在其 site-packages 目录中的所有包。此技术也适用于 conda 环境。