Dataproc：Jupyter pyspark notebook 无法导入 graphframes 包

Question

在 Dataproc spark 集群中，graphframe 包在 spark-shell 中可用，但在 jupyter pyspark notebook 中不可用。

Pyspark 内核配置：

PACKAGES_ARG='--packages graphframes:graphframes:0.2.0-spark2.0-s_2.11'

以下是初始化集群的命令：

gcloud dataproc clusters create my-dataproc-cluster --properties spark.jars.packages=com.databricks:graphframes:graphframes:0.2.0-spark2.0-s_2.11 --metadata "JUPYTER_PORT=8124,INIT_ACTIONS_REPO=https://github.com/{xyz}/dataproc-initialization-actions.git" --initialization-actions  gs://dataproc-initialization-actions/jupyter/jupyter.sh --num-workers 2 --properties spark:spark.executorEnv.PYTHONHASHSEED=0,spark:spark.yarn.am.memory=1024m     --worker-machine-type=n1-standard-4  --master-machine-type=n1-standard-4

Answer 1

这是 Spark Shell 和 YARN 的一个老错误，我认为在 SPARK-15782 中已修复，但显然这个案例被遗漏了。

建议的解决方法是添加

import os
sc.addPyFile(os.path.expanduser('~/.ivy2/jars/graphframes_graphframes-0.2.0-spark2.0-s_2.11.jar'))

导入之前。

Answer 2

我找到了另一种在 Jupyter notebook 上运行的添加包的方法：

spark = SparkSession.builder \
.appName("Python Spark SQL") \    \
.config("spark.jars.packages", "graphframes:graphframes:0.5.0-spark2.1-s_2.11") \
.getOrCreate()

Answer 3

如果您可以使用 EMR 笔记本，那么您可以在笔记本中使用 install_pypi_package() API 安装额外的 Python libraries/dependencies。这些依赖项（包括传递依赖项，如果有的话）将安装在所有执行程序节点上。

此处有更多详细信息：https://docs.aws.amazon.com/emr/latest/ManagementGuide/emr-managed-notebooks-scoped-libraries.html

Answer 4

最简单的方法是用 pyspark 启动 jupyter，而 graphframes 是从 pyspark 启动 jupyter 并附加附加包

只需打开您的终端并设置两个环境变量，然后使用 graphframes 包

启动pyspark

export PYSPARK_DRIVER_PYTHON=jupyter
export PYSPARK_DRIVER_PYTHON_OPTS=notebook
pyspark --packages graphframes:graphframes:0.6.0-spark2.3-s_2.11

这样做的好处还在于，如果您稍后想通过 spark-submit 运行您的代码，您可以使用相同的启动命令

Dataproc：Jupyter pyspark notebook 无法导入 graphframes 包

Dataproc: Jupyter pyspark notebook unable to import graphframes package

pyspark

jupyter

google-cloud-dataproc

graphframes