spark-submitting 时没有名为 numpy 的模块答案

【问题标题】：No module named numpy when spark-submittingspark-submitting 时没有名为 numpy 的模块
【发布时间】：2015-04-04 17:18:10
【问题描述】：

我正在提交一个导入 numpy 的 python 文件，但我收到了 no module named numpy 错误。

$ spark-submit --py-files projects/other_requirements.egg projects/jobs/my_numpy_als.py
Traceback (most recent call last):
  File "/usr/local/www/my_numpy_als.py", line 13, in <module>
    from pyspark.mllib.recommendation import ALS
  File "/usr/lib/spark/python/pyspark/mllib/__init__.py", line 24, in <module>
    import numpy
ImportError: No module named numpy

我想我会为 numpy —python-files 提取一个鸡蛋，但我无法弄清楚如何构建那个鸡蛋。但后来我突然想到 pyspark 本身使用 numpy。引入我自己的 numpy 版本会很愚蠢。

您有什么想法可以在这里做适当的事情吗？

【问题讨论】：

标签： numpy apache-spark pyspark

【解决方案1】：

Spark 使用的 Python 版本似乎没有安装 numpy。这可能是因为您在虚拟环境中工作。

试试这个：

# The following is for specifying a Python version for PySpark. Here we
# use the currently calling Python version.
# This is handy for when we are using a virtualenv, for example, because
# otherwise Spark would choose the default system Python version.
os.environ['PYSPARK_PYTHON'] = sys.executable

【讨论】：

尝试为您当前使用的 Python 二进制文件安装完整的 SciPy 或独立的 NumPy 包：scipy.org/install.html

【解决方案2】：

我通过在所有 emr 节点上安装 numpy 来实现此功能，方法是配置一个包含以下内容（除其他外）的小型引导脚本。

#!/bin/bash -xe sudo yum install python-numpy python-scipy -y

然后通过将以下选项添加到 aws emr 命令来配置要在启动集群时执行的引导脚本（以下示例为引导脚本提供了一个参数）

--bootstrap-actions Path=s3://some-bucket/keylocation/bootstrap.sh,Name=setup_dependencies,Args=[s3://some-bucket]

这也可以在从 DataPipeline 自动设置集群时使用。

【讨论】：

【解决方案3】：

有时，当您导入某些库时，您的命名空间会被numpy 函数污染。 min、max 和sum 等函数特别容易受到这种污染。如有疑问，请定位对这些函数的调用并将这些调用替换为__builtin__.sum 等。这样做有时会比定位污染源更快。

【讨论】：

【解决方案4】：

确保您的 spark-env.sh 有 PYSPARK_PATH 指向正确的 Python 版本。将export PYSPARK_PATH=/your_python_exe_path 添加到/conf/spark-env.sh 文件中。

【讨论】：