如何在 Apache Spark (pyspark) 中使用自定义类？

Question

我已经编写了一个在 python 中实现分类器的类。我想使用 Apache Spark 使用这个分类器并行化大量数据点的分类。

1. 我在一个有 10 个从属服务器的集群上使用 Amazon EC2 进行设置，基于一个带有 python 的 Anaconda 发行版的 ami。 ami 让我可以远程使用 IPython Notebook。
2. 我已经在 /root/anaconda/lib/python2.7/ 文件夹中的 master 上的一个名为 BoTree.py 的文件中定义了 BoTree 类，这是我所有 python 模块所在的位置
3. 我检查了在从 master 运行命令行 spark 时我可以导入和使用 BoTree.py（我只需从编写 import BoTree 开始，我的类 BoTree 就可用了
4. 我使用 spark 的 /root/spark-ec2/copy-dir.sh 脚本在我的集群中复制 /python2.7/ 目录。
5. 我已经 ssh-ed 到其中一个从属服务器并尝试在那里运行 ipython，并且能够导入 BoTree，所以我认为该模块已成功通过集群发送（我还可以看到 BoTree.py 文件在.../python2.7/ 文件夹）
6. 在我检查过的主服务器上，我可以使用 cPickle 腌制和取消腌制 BoTree 实例，据我所知，这是 pyspark 的序列化程序。

但是，当我执行以下操作时：

import BoTree
bo_tree = BoTree.train(data)
rdd = sc.parallelize(keyed_training_points) #create rdd of 10 (integer, (float, float) tuples
rdd = rdd.mapValues(lambda point, bt = bo_tree: bt.classify(point[0], point[1]))
out = rdd.collect()

Spark 因错误而失败（我认为只是相关位）：

  File "/root/spark/python/pyspark/worker.py", line 90, in main
    command = pickleSer.loads(command.value)
  File "/root/spark/python/pyspark/serializers.py", line 405, in loads
    return cPickle.loads(obj)
ImportError: No module named BoroughTree

谁能帮帮我？有点绝望……

谢谢

Answer 1

获得 SparkContext 后，还可以使用addPyFile 随后将模块发送给每个工作人员。

sc.addPyFile('/path/to/BoTree.py')

pyspark.SparkContext.addPyFile(path) documentation

Answer 2

可能最简单的解决方案是在创建SparkContext 时使用pyFiles 参数

from pyspark import SparkContext
sc = SparkContext(master, app_name, pyFiles=['/path/to/BoTree.py'])

放置在那里的每个文件都将发送给工作人员并添加到PYTHONPATH。

如果您在交互模式下工作，则必须在创建新上下文之前使用 sc.stop() 停止现有上下文。

还要确保 Spark worker 实际使用的是 Anaconda 发行版，而不是默认的 Python 解释器。根据您的描述，很可能是问题所在。要设置PYSPARK_PYTHON，您可以使用conf/spark-env.sh 文件。

顺便说一句，将文件复制到lib 是一个相当混乱的解决方案。如果您想避免使用 pyFiles 推送文件，我建议您创建纯 Python 包或 Conda 包并正确安装。通过这种方式，您可以轻松跟踪已安装的内容、删除不必要的软件包并避免一些难以调试的问题。