如何在pyspark中获取Python库？

Question

我想在pyspark中使用matplotlib.bblpath或shapely.geometry库。

当我尝试导入其中任何一个时，会出现以下错误：

>>> from shapely.geometry import polygon
Traceback (most recent call last):
 File "<stdin>", line 1, in <module>
ImportError: No module named shapely.geometry

我知道模块不存在，但是如何将这些包带到我的pyspark库中？

Answer 1

在Spark上下文中，尝试使用：

SparkContext.addPyFile("module.py")  # also .zip

，引用docs：

Add a .py or .zip dependency for all tasks to be executed on this SparkContext in the future. The path passed can be either a local file, a file in HDFS (or other Hadoop-supported filesystems), or an HTTP, HTTPS or FTP URI.

Answer 2

这就是我在AWS EMR集群中工作的方式（在其他集群中也应该是相同的）。我创建了以下shell脚本并将其作为引导操作执行：

#!/bin/bash
# shapely installation
wget http://download.osgeo.org/geos/geos-3.5.0.tar.bz2
tar jxf geos-3.5.0.tar.bz2
cd geos-3.5.0 && ./configure --prefix=$HOME/geos-bin && make && make install
sudo cp /home/hadoop/geos-bin/lib/* /usr/lib
sudo /bin/sh -c 'echo "/usr/lib" >> /etc/ld.so.conf'
sudo /bin/sh -c 'echo "/usr/lib/local" >> /etc/ld.so.conf'
sudo /sbin/ldconfig
sudo /bin/sh -c 'echo -e "\nexport LD_LIBRARY_PATH=/usr/lib" >> /home/hadoop/.bashrc'
source /home/hadoop/.bashrc
sudo pip install shapely
echo "Shapely installation complete"
pip install https://pypi.python.org/packages/74/84/fa80c5e92854c7456b591f6e797c5be18315994afd3ef16a58694e1b5eb1/Geohash-1.0.tar.gz
#
exit 0

注意：此脚本可以在群集中的每个节点中独立执行，而不是作为引导操作运行。我已经测试了两种情况。

下面是一个示例pyspark和shapely代码（Spark SQL UDF），以确保上述命令按预期工作：

Python 2.7.10 (default, Dec  8 2015, 18:25:23) 
[GCC 4.8.3 20140911 (Red Hat 4.8.3-9)] on linux2
Type "help", "copyright", "credits" or "license" for more information.
Welcome to
      ____              __
     / __/__  ___ _____/ /__
    _\ \/ _ \/ _ `/ __/  '_/
   /__ / .__/\_,_/_/ /_/\_\   version 1.6.1
      /_/

Using Python version 2.7.10 (default, Dec  8 2015 18:25:23)
SparkContext available as sc, HiveContext available as sqlContext.
>>> from pyspark.sql.functions import udf
>>> from pyspark.sql.types import StringType
>>> from shapely.wkt import loads as load_wkt
>>> def parse_region(region):
...     from shapely.wkt import loads as load_wkt
...     reverse_coordinate = lambda coord: ' '.join(reversed(coord.split(':')))
...     coordinate_list = map(reverse_coordinate, region.split(', '))
...     if coordinate_list[0] != coordinate_list[-1]:
...         coordinate_list.append(coordinate_list[0])
...     return str(load_wkt('POLYGON ((%s))' % ','.join(coordinate_list)).wkt)
... 
>>> udf_parse_region=udf(parse_region, StringType())
16/09/06 22:18:34 WARN ObjectStore: Version information not found in metastore. hive.metastore.schema.verification is not enabled so recording the schema version 1.2.0
16/09/06 22:18:34 WARN ObjectStore: Failed to get database default, returning NoSuchObjectException
>>> df = sqlContext.sql('select id, bounds from <schema.table_name> limit 10')
>>> df2 = df.withColumn('bounds1', udf_parse_region('bounds'))
>>> df2.first()
Row(id=u'0089d43a-1b42-4fba-80d6-dda2552ee08e', bounds=u'33.42838509594465:-119.0533447265625, 33.39170168789402:-119.0203857421875, 33.29992542601392:-119.0478515625', bounds1=u'POLYGON ((-119.0533447265625 33.42838509594465, -119.0203857421875 33.39170168789402, -119.0478515625 33.29992542601392, -119.0533447265625 33.42838509594465))')
>>> 

谢谢， 侯赛因·博赫拉

Answer 3

这是独立的（即笔记本电脑/台式机）还是集群环境（如AWS EMR）？

1. 如果在笔记本电脑/台式机上，pip install shapely应该可以正常工作。您可能需要检查默认python环境的环境变量。例如，如果您通常使用Python 3，但对pyspark使用Python 2，那么pyspark将无法使用shapely。

2. 如果在集群环境（如AWS EMR）中，您可以尝试：

   import os
   
   def myfun(x):`
           os.system("pip install shapely")
           return x
   rdd = sc.parallelize([1,2,3,4]) ## assuming 4 worker nodes
   rdd.map(lambda x: myfun(x)).collect() 
   ## call each cluster to run the code to import the library
   

“我知道模块不存在，但我想知道如何将这些包带到我的pyspark库中。”

在EMR上，如果您希望pyspark预先准备好任何其他库和配置，可以使用引导步骤进行这些调整。除此之外，如果不在Scala中编译Spark，就不能将库“添加”到pyspark（如果不熟悉SBT，这将是一件痛苦的事情）。