运行 spark-submit 时没有模块错误

Question

我正在提交一个依赖于要运行的自定义模块的 python 文件。我要提交的文件位于 project/main.py，我们的模块位于 project/modules/module1.py。我在客户端模式下提交到 Yarn 并收到以下错误。

ModuleNotFoundError: No module named 'modules.module1'

main.py中的import语句：

from modules import module1.py

我已尝试压缩模块文件夹并将其传递给 --py-files：

spark-submit --master yarn --queue OurQueue --py-files hdfs://HOST/path/to/modules.zip
--conf "spark.pyspark.driver.python=/hadoop/anaconda3.6/bin/python3"
--conf "spark.pyspark.python=/hadoop/anaconda3.6/bin/python3"
main.py

Answer 1

假设你有一个压缩文件

zip -r modules

我认为您缺少将此文件附加到火花上下文，您可以在脚本中使用 addPyFile() 函数作为

  sc.addPyFile("modules.zip")

另外，不要忘记在你的目录（modules.zip）的根目录中创建空的__init__.py文件，比如modules/__init__.py）

现在要导入，我认为您可以将其导入为

 from modules.module1 import *

或

 from modules.module1 import module1

已更新，现在运行 spark-submit 命令

spark-submit --master yarn --queue OurQueue --py-files modules.zip
--conf "spark.pyspark.driver.python=/hadoop/anaconda3.6/bin/python3"
--conf "spark.pyspark.python=/hadoop/anaconda3.6/bin/python3"
main.py