ドキュメントが示唆するように私はこれを使用します http://spark.Apache.org/docs/1.1.1/submitting-applications.html
spsarkバージョン1.1.0
./spark/bin/spark-submit --py-files /home/hadoop/loganalysis/parser-src.Zip \
/home/hadoop/loganalysis/ship-test.py
とコードのconf:
conf = (SparkConf()
.setMaster("yarn-client")
.setAppName("LogAnalysis")
.set("spark.executor.memory", "1g")
.set("spark.executor.cores", "4")
.set("spark.executor.num", "2")
.set("spark.driver.memory", "4g")
.set("spark.kryoserializer.buffer.mb", "128"))
およびスレーブノードはImportErrorを訴えます
14/12/25 05:09:53 WARN scheduler.TaskSetManager: Lost task 0.0 in stage 0.0 (TID 0, ip-172-31-10-8.cn-north-1.compute.internal): org.Apache.spark.api.python.PythonException: Traceback (most recent call last):
File "/home/hadoop/spark/python/pyspark/worker.py", line 75, in main
command = pickleSer._read_with_length(infile)
File "/home/hadoop/spark/python/pyspark/serializers.py", line 150, in _read_with_length
return self.loads(obj)
ImportError: No module named parser
parser-src.Zipはローカルでテストされます。
[hadoop@ip-172-31-10-231 ~]$ python
Python 2.7.8 (default, Nov 3 2014, 10:17:30)
[GCC 4.8.2 20140120 (Red Hat 4.8.2-16)] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> import sys
>>> sys.path.insert(1, '/home/hadoop/loganalysis/parser-src.Zip')
>>> from parser import parser
>>> parser.parse
<function parse at 0x7fa5ef4c9848>
>>>
リモートワーカーに関する情報を取得しようとしています。ファイルをコピーしたかどうかを確認します。sys.pathがどのように見えるかを確認します。
更新:これを使用して、Zipファイルが出荷されたことがわかりました。およびsys.pathが設定されました。それでもエラーをインポートします。
data = list(range(4))
disdata = sc.parallelize(data)
result = disdata.map(lambda x: "sys.path: {0}\nDIR: {1} \n FILES: {2} \n parser: {3}".format(sys.path, os.getcwd(), os.listdir('.'), str(parser)))
result.collect()
print(result.take(4))
クラウドピクルを掘り下げなければならないようです。つまり、クラウドピクルがどのように機能し、最初に失敗するかを理解する必要があります。
: An error occurred while calling o40.collect.
: org.Apache.spark.SparkException: Job aborted due to stage failure: Task 4 in stage 0.0 failed 4 times, most recent failure: Lost task 4.3 in stage 0.0 (TID 23, ip-172-31-10-8.cn-north-1.compute.internal): org.Apache.spark.api.python.PythonException: Traceback (most recent call last):
File "/home/hadoop/spark/python/pyspark/worker.py", line 75, in main
command = pickleSer._read_with_length(infile)
File "/home/hadoop/spark/python/pyspark/serializers.py", line 150, in _read_with_length
return self.loads(obj)
File "/home/hadoop/spark/python/pyspark/cloudpickle.py", line 811, in subimport
__import__(name)
ImportError: ('No module named parser', <function subimport at 0x7f219ffad7d0>, ('parser.parser',))
更新:
しかし、彼は自分のライブラリをpython dist-packagesとimport works。に入れました。
更新:
OH.gush ..この問題は、Zipファイルとpython importの動作を理解していないことが原因だと思います。私はparser.pyを--py-filesに渡します。 。およびZip .pyファイルのみ(.pycを含まない)も動作するようです。
しかし、その理由はよくわかりませんでした。
ドライバースクリプトの上部ではなく、メソッド自体の内部からカスタムモジュールをインポートしてみてください。例:
def parse_record(record):
import parser
p = parser.parse(record)
return p
のではなく
import parser
def parse_record(record):
p = parser.parse(record)
return p
Cloud Pickleは、カスタムモジュールがいつインポートされたかを認識しないようです。そのため、メソッドの実行に必要な他のデータと一緒に最上位モジュールをピクルスしようとするようです。私の経験では、これはトップレベルのモジュールが存在するように見えますが、使用可能なメンバーがなく、ネストされたモジュールは期待どおりに使用できないことを意味します。 from A import *
を使用してインポートするか、メソッド内(import A.B
)からインポートすると、モジュールは期待どおりに機能しました。
SparkContext
のこの関数を試してください
sc.addPyFile(path)
pyspark
のドキュメントによると here
今後、このSparkContextで実行されるすべてのタスクの.pyまたは.Zip依存関係を追加します。渡されるパスは、ローカルファイル、HDFS(またはその他のHadoopでサポートされるファイルシステム)のファイル、またはHTTP、HTTPS、FTP URIのいずれかです。
pythonモジュールファイルをパブリッククラウドストレージ(AWS S3など)にアップロードして、URLをそのメソッドに渡します。
より包括的な資料は次のとおりです。 http://www.cloudera.com/documentation/enterprise/5-5-x/topics/spark_python.html
1つ以上のノードが適切に構成されていないようです。クラスター上のすべてのノードに同じバージョン/構成のPythonがありますか(つまり、すべてにパーサーモジュールがインストールされていますか)?
1つずつ確認する必要がない場合は、スクリプトが作成されているかどうかを確認して、インストールされているかどうかを確認してください。 これ スレッドはそれを行うためのいくつかの方法を示しています。
Setuptoolsなどのツールを使用して、Pythonコードをパッケージ化する必要があります。これにより、Java jarファイルに似た.Eggファイルを作成できます。 --py-filesを使用してこのEggファイルのパスを指定します
spark-submit --py-files path_to_Egg_file path_to_spark_driver_file
私は同様の問題に直面していました。--py-files
_スイッチを使用していても、ワーカーノードはモジュールを検出できませんでした。
私がやったことはいくつかありました-最初に、モジュールがすべてのノードに出荷された後にインポートが行われることを期待して、SparkContext(sc)変数を作成した後にimportステートメントを入れてみましたが、まだ機能しませんでした。その後、_sc.addFile
_を試して(コマンドライン引数として送信する代わりに)スクリプト自体にモジュールを追加し、その後モジュールの関数をインポートしました。少なくとも私の場合、これでうまくいきました。
すべての依存関係を含むZipファイル(example- abc.Zip)を作成します。
sparkコンテキストを作成するときに、Zipファイル名を次のように記述します。
sc = SparkContext(conf=conf, pyFiles=["abc.Zip"])
EMRのPySparkはデフォルトでPython 2.6に設定されているため、Python 2.7インタープリター用にインストールされていないことを確認してください