纱线集群模式下的 Pyspark答案

【问题标题】：Pyspark on yarn-cluster mode纱线集群模式下的 Pyspark
【发布时间】：2015-07-09 20:11:11
【问题描述】：

有没有办法在不使用 spark-submit 脚本的情况下以 yarn-cluster 模式运行 pyspark 脚本？我需要这种方式，因为我会将这段代码集成到 django web 应用程序中。

当我尝试在 yarn-cluster 模式下运行任何脚本时，出现以下错误：

org.apache.spark.SparkException: Detected yarn-cluster mode, but isn't running on a cluster. Deployment to YARN is not supported directly by SparkContext. Please use spark-submit.

我正在通过以下方式创建 sparkContext：

        conf = (SparkConf()
            .setMaster("yarn-cluster")
            .setAppName("DataFrameTest"))

        sc = SparkContext(conf = conf)

        #Dataframe code ....

谢谢

【问题讨论】：

标签： apache-spark hadoop-yarn pyspark

【解决方案1】：

不支持yarn-cluster 模式的原因是yarn-cluster 意味着将驱动程序本身（例如使用SparkContext 调用的程序）引导到YARN 容器上。从您关于从 django Web 应用程序提交的声明中猜测，听起来您希望包含 SparkContext 的 python 代码嵌入到 Web 应用程序本身中，而不是将驱动程序代码运送到 YARN 容器上，然后由该容器处理单独的 Spark 作业.

这意味着您的案例最适合yarn-client 模式而不是yarn-cluster；在yarn-client 模式下，您可以在任何地方（例如在您的网络应用程序内部）运行您的 SparkContext 代码，同时它与 YARN 对话以了解运行作业的实际机制。

从根本上说，如果您在 Web 应用程序和 Spark 代码之间共享任何内存状态，这意味着您将无法切断 Spark 部分以在 YARN 容器中运行，这就是 @987654327 @尝试做。如果您不共享状态，那么您可以简单地调用一个实际上调用spark-submit 的子进程来捆绑一个独立的PySpark 作业以在yarn-cluster 模式下运行。

总结一下：

如果您想将 Spark 代码直接嵌入到您的 Web 应用程序中，则需要改用 yarn-client 模式：SparkConf().setMaster("yarn-client")
如果 Spark 代码足够松散耦合，yarn-cluster 实际上是可行的，您可以发出 Python subprocess 以在 yarn-cluster 模式下实际调用 spark-submit。

【讨论】：

Python 虚拟环境使这个过程更加复杂。现在，我正在使用一个单独的工作进程来获取 Web 应用程序排队的工作。该工作人员致电spark-submit。我正在尝试与应用程序和工作人员共享虚拟环境。但是，当我在 client 模式下调用 yarn 时，它会从我的虚拟环境中引用 Python 版本。我只是错过了什么吗？如何告诉 Spark 使用安装在节点上的 Python 而不是虚拟环境中的 Python？
@Michael 在我的 spark-submit 中，我通过 spark 作业传递了一个虚拟环境，并从那里引用 python 来运行我的 python 代码，因为我无法控制我公司中的工人只有代码。）它有 2 个部分，1 个创建一个与您的工作操作系统二进制兼容的 python env（我使用了一个 docker 容器），然后发送和引用该虚拟 env。要发布它——使用：--archives python35.zip#MY_ALIAS，然后告诉 spark 使用它——--conf "spark.yarn.appMasterEnv.PYSPARK_PYTHON=./MY_ALIAS/python35/bin/python3"希望这会有所帮助。