为什么我的应用程序不能以 pandas_udf 和 PySpark+Flask 开头？答案

【问题标题】：Why won't my application start with pandas_udf and PySpark+Flask?为什么我的应用程序不能以 pandas_udf 和 PySpark+Flask 开头？
【发布时间】：2018-11-14 12:05:49
【问题描述】：

当我的 Flask+PySpark 应用程序有一个带有@udf 或@pandas_udf 注解的函数时，它不会启动。如果我只是删除注释，它就会启动。如果我尝试使用 Flask 启动我的应用程序，则会执行脚本的第一遍词法解释。例如，调试器在导入行停止，例如从 pyspark.sql.functions 导入 pandas_udf、udf、PandasUDFType .然而，根本没有执行任何语句，包括最初的 app = Flask(name) 语句。（会不会是某种隐藏的异常？）如果我在没有 Flask 的情况下启动我的应用程序，使用相同的确切功能和相同的导入，它确实可以工作。

这些是进口：

from pyspark.sql import SQLContext
from pyspark.sql import SparkSession
from pyspark.sql.functions import pandas_udf, udf, PandasUDFType
import pandas as pd

这是函数：

@pandas_udf('string', PandasUDFType.SCALAR)
def pandas_not_null(s):
    return s.fillna("_NO_NA_").replace('', '_NO_E_')

这是当 @pandas_udf 存在时不执行的语句：

app = Flask(__name__)

这就是 IntelliJ 启动 Flask 的方式：

FLASK_APP = app
FLASK_ENV = development
FLASK_DEBUG = 1
In folder /Users/vivaomengao/projects/dive-platform/cat-intel/divecatintel

/Users/vivaomengao/anaconda/bin/python /Applications/PyCharm.app/Contents/helpers/pydev/pydevd.py --module --multiproc --qt-support=auto --client 127.0.0.1 --port 56486 --file flask run

我在自己的电脑上运行 MacOS。

【问题讨论】：

标签： pandas flask pyspark

【解决方案1】：

我发现了问题。问题是 @pandas_udf 注释在加载模块时需要一个 Spark 会话（Python 中的某种“第一遍解析”）。为了解决这个问题，我首先调用了创建 Spark 会话的代码。然后我导入了具有@pandas_udf注解功能的模块。我直接在调用者函数中导入了它，而不是在标题中。为了进行故障排除，我在@pandas_udf 函数（在 PyCharm 中）上设置了一个断点并进入了这些函数。有了它，我可以检查局部变量。其中一个变量引用了“sc”或“_jvm”之类的东西。我从过去的问题中知道，如果 Spark 会话未初始化，就会发生这种情况。

【讨论】：

这很有帮助。我也遇到了同样的问题，并通过在调用 pandas_udf 函数之前导入模块解决了这个问题，我有 spark 会话可用。