在来自 google-dataproc 的 Spark 集群中的 pyspark 作业中使用外部库

Question

我有一个通过 google dataproc 创建的 spark 集群。我希望能够使用数据块中的 csv 库（参见 https://github.com/databricks/spark-csv）。所以我先是这样测试的：

我与集群的主节点启动了一个 ssh 会话，然后我输入：

pyspark --packages com.databricks:spark-csv_2.11:1.2.0

然后它启动了一个 pyspark shell，我在其中输入：

df = sqlContext.read.format('com.databricks.spark.csv').options(header='true', inferschema='true').load('gs:/xxxx/foo.csv')
df.show()

它奏效了。

我的下一步是使用以下命令从我的主机启动此作业：

gcloud beta dataproc jobs submit pyspark --cluster <my-dataproc-cluster> my_job.py

但是这里它不起作用，我得到一个错误。我想是因为我没有给出 --packages com.databricks:spark-csv_2.11:1.2.0 作为参数，但我尝试了 10 种不同的方式来给出它，但我没有成功。

我的问题是：

我输入 pyspark --packages com.databricks:spark-csv_2.11:1.2.0
我可以在 job.py 中写一行以便导入吗？
或者我应该为我的 gcloud 命令提供什么参数来导入或安装它？

Answer 1

简答

如果 --packages 位于 my_job.py 参数之后，则 spark-submit 不接受参数的排序。要解决此问题，您可以在从 Dataproc 的 CLI 提交时执行以下操作：

gcloud beta dataproc jobs submit pyspark --cluster <my-dataproc-cluster> \
    --properties spark.jars.packages=com.databricks:spark-csv_2.11:1.2.0 my_job.py

基本上，只需在命令中的 .py 文件之前添加 --properties spark.jars.packages=com.databricks:spark-csv_2.11:1.2.0。

长答案

因此，这实际上是一个不同于 gcloud beta dataproc jobs submit pyspark 中已知的 --jars 不支持的问题；似乎没有 Dataproc 明确地将 --packages 识别为特殊的 spark-submit 级标志，它会尝试将其传递给在应用程序参数之后，以便 spark-submit 允许--packages 作为应用程序参数失败，而不是将其作为提交级别选项正确解析。实际上，在 SSH 会话中，以下不工作：

# Doesn't work if job.py depends on that package.
spark-submit job.py --packages com.databricks:spark-csv_2.11:1.2.0

但是切换参数的顺序确实再次起作用，即使在 pyspark 的情况下，两种顺序都起作用：

# Works with dependencies on that package.
spark-submit --packages com.databricks:spark-csv_2.11:1.2.0 job.py
pyspark job.py --packages com.databricks:spark-csv_2.11:1.2.0
pyspark --packages com.databricks:spark-csv_2.11:1.2.0 job.py

因此，尽管 spark-submit job.py 应该是之前调用 pyspark job.py 的所有内容的直接替代品，但像 --packages 这样的东西在解析顺序上的差异意味着它实际上并不是100% 兼容迁移。这可能是 Spark 方面需要跟进的事情。

无论如何，幸运的是有一个解决方法，因为 --packages 只是 Spark 属性 spark.jars.packages 的另一个别名，而且 Dataproc 的 CLI 支持属性很好。因此，您只需执行以下操作：

gcloud beta dataproc jobs submit pyspark --cluster <my-dataproc-cluster> \
    --properties spark.jars.packages=com.databricks:spark-csv_2.11:1.2.0 my_job.py

请注意 --properties 必须位于之前 my_job.py，否则它将作为应用程序参数而不是作为配置标志发送。希望对你有用！请注意，SSH 会话中的等效项是 spark-submit --packages com.databricks:spark-csv_2.11:1.2.0 job.py.

Answer 2

除了@Dennis。

注意，如果你需要加载多个外部包，你需要像这样指定一个自定义转义字符：

--properties ^#^spark.jars.packages=org.elasticsearch:elasticsearch-spark_2.10:2.3.2,com.data‌bricks:spark-avro_2.10:2.0.1

注意包列表前的^#^。有关详细信息，请参阅 gcloud topic escaping。

在来自 google-dataproc 的 Spark 集群中的 pyspark 作业中使用外部库

use an external library in pyspark job in a Spark cluster from google-dataproc

import

apache-spark

pyspark

google-cloud-dataproc