Как получить библиотеки Python в pyspark?

Я хочу использовать matplotlib.bblpath или shapely.библиотеки геометрии в pyspark.

когда я пытаюсь импортировать любой из них, я получаю следующую ошибку:

>>> from shapely.geometry import polygon
Traceback (most recent call last):
 File "<stdin>", line 1, in <module>
ImportError: No module named shapely.geometry

Я знаю, что модуль отсутствует, но как эти пакеты могут быть доставлены в мои библиотеки pyspark?

7
pyspark python python-2.7 shapely

3 ответов

в контексте Spark попробуйте использовать:

SparkContext.addPyFile("module.py")  # also .zip

со ссылкой на docs:

добавить a .пай ор .зип зависимостей для всех задач, которые будут выполняться на этом SparkContext в будущем. Пройденный путь может быть локальным файл, файл в HDFS (или других файловых системах, поддерживаемых Hadoop) или HTTP, HTTPS или FTP URI.

13

Так я работаю в нашем кластере AWS EMR (он должен быть таким же и в любом другом кластере). Я создал следующий сценарий оболочки и выполнил его как bootstrap-actions:

#!/bin/bash
# shapely installation
wget http://download.osgeo.org/geos/geos-3.5.0.tar.bz2
tar jxf geos-3.5.0.tar.bz2
cd geos-3.5.0 && ./configure --prefix=$HOME/geos-bin && make && make install
sudo cp /home/hadoop/geos-bin/lib/* /usr/lib
sudo /bin/sh -c 'echo "/usr/lib" >> /etc/ld.so.conf'
sudo /bin/sh -c 'echo "/usr/lib/local" >> /etc/ld.so.conf'
sudo /sbin/ldconfig
sudo /bin/sh -c 'echo -e "\nexport LD_LIBRARY_PATH=/usr/lib" >> /home/hadoop/.bashrc'
source /home/hadoop/.bashrc
sudo pip install shapely
echo "Shapely installation complete"
pip install https://pypi.python.org/packages/74/84/fa80c5e92854c7456b591f6e797c5be18315994afd3ef16a58694e1b5eb1/Geohash-1.0.tar.gz
#
exit 0

Примечание: вместо запуска в качестве начальной загрузки-действия этот скрипт может выполняться независимо в каждом узле кластера. Я проверил оба сценария.

Ниже приведен пример кода pyspark и shapely (Spark SQL UDF), чтобы убедиться, что приведенные выше команды работают как ожидалось:

Python 2.7.10 (default, Dec  8 2015, 18:25:23) 
[GCC 4.8.3 20140911 (Red Hat 4.8.3-9)] on linux2
Type "help", "copyright", "credits" or "license" for more information.
Welcome to
      ____              __
     / __/__  ___ _____/ /__
    _\ \/ _ \/ _ `/ __/  '_/
   /__ / .__/\_,_/_/ /_/\_\   version 1.6.1
      /_/

Using Python version 2.7.10 (default, Dec  8 2015 18:25:23)
SparkContext available as sc, HiveContext available as sqlContext.
>>> from pyspark.sql.functions import udf
>>> from pyspark.sql.types import StringType
>>> from shapely.wkt import loads as load_wkt
>>> def parse_region(region):
...     from shapely.wkt import loads as load_wkt
...     reverse_coordinate = lambda coord: ' '.join(reversed(coord.split(':')))
...     coordinate_list = map(reverse_coordinate, region.split(', '))
...     if coordinate_list[0] != coordinate_list[-1]:
...         coordinate_list.append(coordinate_list[0])
...     return str(load_wkt('POLYGON ((%s))' % ','.join(coordinate_list)).wkt)
... 
>>> udf_parse_region=udf(parse_region, StringType())
16/09/06 22:18:34 WARN ObjectStore: Version information not found in metastore. hive.metastore.schema.verification is not enabled so recording the schema version 1.2.0
16/09/06 22:18:34 WARN ObjectStore: Failed to get database default, returning NoSuchObjectException
>>> df = sqlContext.sql('select id, bounds from <schema.table_name> limit 10')
>>> df2 = df.withColumn('bounds1', udf_parse_region('bounds'))
>>> df2.first()
Row(id=u'0089d43a-1b42-4fba-80d6-dda2552ee08e', bounds=u'33.42838509594465:-119.0533447265625, 33.39170168789402:-119.0203857421875, 33.29992542601392:-119.0478515625', bounds1=u'POLYGON ((-119.0533447265625 33.42838509594465, -119.0203857421875 33.39170168789402, -119.0478515625 33.29992542601392, -119.0533447265625 33.42838509594465))')
>>>

спасибо, В Нью-Хуссейн

5

это автономно (например, ноутбук / рабочий стол) или в кластерной среде (например, AWS EMR)?

  1. Если на вашем ноутбуке/рабочий стол, pip install shapely должно работать нормально. Возможно, Вам потребуется проверить переменные среды для среды python по умолчанию. Например, если вы обычно используете Python 3, но используете Python 2 для pyspark, то у вас не будет shapely для pyspark.

  2. Если в кластерной среде, например в AWS EMR, вы можете попробуйте:

    import os

def myfun(x):`
        os.system("pip install shapely")
        return x
rdd = sc.parallelize([1,2,3,4]) ## assuming 4 worker nodes
rdd.map(lambda x: myfun(x)).collect() 
## call each cluster to run the code to import the library

" Я знаю, что модуль отсутствует, но я хочу знать, как эти пакеты могут быть доставлены в мои библиотеки pyspark."

в EMR, если вы хотите, чтобы pyspark был предварительно подготовлен с любыми другими библиотеками и конфигурациями, вы можете использовать шаг начальной загрузки для внесения этих корректировок. Кроме того, вы не можете "добавить" библиотеку в pyspark без компиляции Spark в Scala (что было бы больно делать, если вы не разбираетесь в SBT).

1