Google Dataflow - 无法导入自定义 python 模块

Question

我的 Apache 光束管道实现了自定义转换和 ParDo 的 python 模块，这些模块进一步导入了我编写的其他模块。在本地运行器上，这工作正常，因为所有可用文件都在同一路径中可用。在 Dataflow 运行器的情况下，管道会因模块导入错误而失败。

如何使自定义模块可供所有数据流工作人员使用？请指教。

下面是一个例子：

ImportError: No module named DataAggregation

    at find_class (/usr/lib/python2.7/pickle.py:1130)
    at find_class (/usr/local/lib/python2.7/dist-packages/dill/dill.py:423)
    at load_global (/usr/lib/python2.7/pickle.py:1096)
    at load (/usr/lib/python2.7/pickle.py:864)
    at load (/usr/local/lib/python2.7/dist-packages/dill/dill.py:266)
    at loads (/usr/local/lib/python2.7/dist-packages/dill/dill.py:277)
    at loads (/usr/local/lib/python2.7/dist-packages/apache_beam/internal/pickler.py:232)
    at apache_beam.runners.worker.operations.PGBKCVOperation.__init__ (operations.py:508)
    at apache_beam.runners.worker.operations.create_pgbk_op (operations.py:452)
    at apache_beam.runners.worker.operations.create_operation (operations.py:613)
    at create_operation (/usr/local/lib/python2.7/dist-packages/dataflow_worker/executor.py:104)
    at execute (/usr/local/lib/python2.7/dist-packages/dataflow_worker/executor.py:130)
    at do_work (/usr/local/lib/python2.7/dist-packages/dataflow_worker/batchworker.py:642)

Answer 1

问题可能是您没有将文件分组为一个包。 Beam 文档上有a section。

多文件依赖

通常，您的管道代码跨越多个文件。要远程运行您的项目，您必须将这些文件分组为 Python 包，并在运行管道时指定该包。当远程工作人员启动时，他们将安装您的软件包。要将文件分组为 Python 包并使其远程可用，请执行以下步骤：

1. 为您的项目创建一个setup.py 文件。下面是一个很基础的setup.py文件。

   setuptools.setup(
       name='PACKAGE-NAME'
       version='PACKAGE-VERSION',
       install_requires=[],
       packages=setuptools.find_packages(),
   )
   

2. 构建您的项目，使根目录包含setup.py 文件、主工作流文件以及包含其余文件的目录。

   root_dir/
       setup.py
       main.py
       other_files_dir/
   

请参阅Juliaset，了解遵循此所需项目结构的示例。

1. 使用以下命令行选项运行您的管道：

   --setup_file /path/to/setup.py
   

注意： 如果您创建了一个 requirements.txt 文件并且您的项目跨越多个文件，您可以去掉 requirements.txt 文件，而是将 requirements.txt 中包含的所有包添加到安装调用的 install_requires 字段（在步骤 1 中）。

Answer 2

我遇到了同样的问题，不幸的是，文档并不像他们需要的那样冗长。 因此，问题在于root_dir 和other_files_dir 都必须包含__init__.py 文件。当一个目录包含__init__.py 文件（即使它是空的）时，python 会将该目录视为一个包，在这种情况下，这就是我们想要的。因此，您的最终文件夹结构应如下所示：

root_dir/
    __init__.py
    setup.py
    main.py
    other_files_dir/
        __init__.py
        module_1.py
        module_2.py

您会发现，python 将构建一个 .egg-info 文件夹，该文件夹描述您的包，包括所有 pip 依赖项。它还将包含top_level.txt 文件，其中包含保存模块的目录的名称（即other_files_dir）

然后您只需调用main.py 中的模块，如下所示

from other_files_dir import module_1