PySpark 抛出 ImportError，但 Module 确实存在并且运行良好

Question

我正在使用 Cloudera，Spark 版本是 2.1.0。

我试图交叉连接两个表并创建一个具有模糊匹配率的列（因此我需要导入 fuzzywuzzy）。这是代码：

from fuzzywuzzy import fuzz
def fuzzy_ratio(x,y):
    from fuzzywuzzy import fuzz
    res = fuzz.token_set_ratio(x,y)
    return res

fuzz_udf = F.udf(fuzzy_ratio,IntegerType())  # register UDF

Master = tableA.crossJoin(tableB) \
               .withColumn('ratio',fuzz_udf(tableA['colA'],tableB['colB']))

它抛出

ImportError: No module named fuzzywuzzy

at org.apache.spark.api.python.PythonRunner$$anon.read(PythonRDD.scala:193)
at org.apache.spark.api.python.PythonRunner$$anon.<init>(PythonRDD.scala:234)
at org.apache.spark.api.python.PythonRunner.compute(PythonRDD.scala:152)
at org.apache.spark.sql.execution.python.BatchEvalPythonExec$$anonfun$doExecute.apply(BatchEvalPythonExec.scala:144)
at org.apache.spark.sql.execution.python.BatchEvalPythonExec$$anonfun$doExecute.apply(BatchEvalPythonExec.scala:87)
at org.apache.spark.rdd.RDD$$anonfun$mapPartitions$$anonfun$apply.apply(RDD.scala:796)

但是当我在交互式 shell 中输入它时 fuzzy.token_set_ratio 有效。所以我真的不知道这里发生了什么。

有人可以帮我解答一下吗？百万感谢！

Answer 1

这是因为包 fuzzywuzzy 并非在所有工作节点中都可用。一种解决方法是让您在所有工作程序节点中安装此包。

为了标准化此设置，它需要集群级别的配置。有关详细信息，请参阅 thisclouderalink。

Answer 2

我遇到了类似的错误，我将 fuzzywuzzy 依赖项添加到我的 spark 提交命令中。

首先压缩两个包 folders.In 我的情况，文件夹位于 C:\Anaconda2\Lib\site-packages\fuzzywuzzy 和 C:\Anaconda2\Lib\site-packages\fuzzywuzzy-0.15.0.dist-info

然后我将 zip 文件添加到 spark-submit 命令中 ../bin/spark-submit /path/to/mycode.py --py-files /path/to/fuzzywuzzy.zip

这确保所有工作节点都获得 fuzzywuzzy 依赖性。

还有一个选项可以稍后在 sparkContext 中添加此依赖项，如 spark.sparkContext.addPyFile('/path/to/fuzzywuzzy.zip')

PySpark 抛出 ImportError，但 Module 确实存在并且运行良好

PySpark throws ImportError, but Module actually exists and works well

pyspark

user-defined-functions

cloudera

pyspark-sql

fuzzywuzzy