在 PySpark 中涉及带有管道的子进程的映射步骤失败

Question

我的目标是读取由 csv 数据组成的 hdfs 上的二进制（gpg 加密）文件。我的方法——遵循 ——定义一个 Python 函数来读取和解密 gpg 文件，产生每一行，并将此函数作为 flatMap 应用到并行文件列表。

本质上，Python 函数生成一个子进程，该子进程使用 hadoop 读取文件并将结果通过管道传输到 gpg 进行解密。这在运行本地模式下的 Spark 时工作得很好。但是，运行它分发了 (yarn-client)，一个简单的行计数 returns 0，本质上是因为 Python 认为 stdout 管道总是关闭的.

问题似乎是子进程涉及两个命令之间的管道。当我删除后者时（只是加密文件的行数），行数与我在命令行上得到的相匹配。我已经尝试了多种方法，结果都是一样的。

这是 Python 函数：

import subprocess as sp

def read_gpg_file_on_hdfs(filename):
    # Method 1:
    p = sp.Popen('hadoop fs -cat {} | gpg -d'.format(filename), shell=True,
                 stdout=sp.PIPE)
    # Method 2:
    p1 = sp.Popen(['hadoop', 'fs', '-cat', filename], stdout=sp.PIPE)
    p = sp.Popen(['gpg', '-d'], stdin=p1.stdout, stdout=sp.PIPE)
    p1.stdout.close()

    # Method 3:
    p = sp.Ppen('gpg -d <(hadoop fs -cat {})'.format(filename), shell=True,
                stdout=sp.PIPE, stderr=sp.PIPE)

    for line in p.stdout:
        yield line.strip()

这是 Spark 命令：

sc.parallelize(['/path/to/file.gpg']).flatMap(read_gpg_file_on_hdfs).count()

现在我知道 PySpark 使用管道与 Spark 通信，但我没有遵循细节，我不知道这是否会影响我正在尝试做的事情。我的问题是是否有办法完成我想做的事情。

请注意，我使用的是分布式 Spark 1.2.1（MapR 的最新版本）。另外，我考虑过使用 binaryFiles，但是对于我有时会遇到的大型 gpg 文件，这会失败。

提前致谢！

Answer 1

事实证明 gpg 命令实际上是问题所在。据推测，这与子进程如何在本地模式和分布式模式下启动的细节有关，但在本地模式下，gpg 的 homedir 设置正确。但是当以分布式模式启动时，homedir 指向一个不正确的目录，第二个子进程立即失败。此错误消息似乎没有记录在任何地方，因此 stdout 只是作为空字符串返回。

在 PySpark 中涉及带有管道的子进程的映射步骤失败

Map step that involves subprocess with pipe fails in PySpark

python

apache-spark

pyspark