将 class 函数传递给 PySpark RDD

Question

我在此处的 Python 文件中有一个名为 some_class() 的 class：

/some-folder/app/bin/file.py

我正在将它导入到我的代码中：

/some-folder2/app/code/file2.py

来自

import sys
sys.path.append('/some-folder/app/bin')
from file import some_class

clss = some_class()

我想在 spark

的映射中使用这个 class 的名为 some_function 的函数

sc.parallelize(some_data_iterator).map(lambda x: clss.some_function(x))

这给我一个错误：

No module named file

虽然 class.some_function 当我在 pyspark 的 map 函数之外调用它时，即通常但不在 pySpark 的 RDD 中。我认为这与pyspark有关。我不知道我哪里错了。

我试过广播这个class但还是不行。

Answer 1

所有 Python 依赖项必须存在于工作节点的搜索路径上，或者使用 SparkContext.addPyFile 方法手动分发，所以像这样的事情应该可以解决问题：

sc.addPyFile("/some-folder/app/bin/file.py")

它会将文件复制到所有worker并放置在工作目录中。

请注意，请不要使用 file 作为模块名称，即使它只是一个示例。隐藏 Python 中的内置函数不是一个好主意。

Passing class functions to PySpark RDD