如何使用Apache-Spark在AWS集群上运行代码？

Question

我已经写了一个python代码，用于汇总每个csv文件的第一列中的所有数字，如下所示：

import os, sys, inspect, csv

### Current directory path.
curr_dir = os.path.split(inspect.getfile(inspect.currentframe()))[0]

### Setup the environment variables
spark_home_dir = os.path.realpath(os.path.abspath(os.path.join(curr_dir, "../spark")))
python_dir = os.path.realpath(os.path.abspath(os.path.join(spark_home_dir, "./python")))
os.environ["SPARK_HOME"] = spark_home_dir
os.environ["PYTHONPATH"] = python_dir

### Setup pyspark directory path
pyspark_dir = python_dir
sys.path.append(pyspark_dir)

### Import the pyspark
from pyspark import SparkConf, SparkContext

### Specify the data file directory, and load the data files
data_path = os.path.realpath(os.path.abspath(os.path.join(curr_dir, "./test_dir")))

### myfunc is to add all numbers in the first column.
def myfunc(s):
    total = 0
    if s.endswith(".csv"):
            cr = csv.reader(open(s,"rb"))
            for row in cr:
                total += int(row[0])
                return total

def main():
### Initialize the SparkConf and SparkContext
    conf = SparkConf().setAppName("ruofan").setMaster("spark://ec2-52-26-177-197.us-west-2.compute.amazonaws.com:7077")
    sc = SparkContext(conf = conf)
    datafile = sc.wholeTextFiles(data_path)

    ### Sent the application in each of the slave node
    temp = datafile.map(lambda (path, content): myfunc(str(path).strip('file:')))

    ### Collect the result and print it out.
    for x in temp.collect():
            print x

if __name__ == "__main__":
    main()

我想使用Apache-Spark使用相同的python代码并行化几个csv文件的求和过程。 我已经完成以下步骤：

1. 我在AWS上创建了一个主节点和两个从节点。
2. 我已经使用了bash命令$ scp -r -i my-key-pair.pem my_dir root@ec2-52-27-82-124.us-west-2.compute.amazonaws.com上传目录my_dir包括将带有csv文件的python代码复制到群集主节点上。
3. 我已经登录了主节点，然后使用bash命令$ ./spark/copy-dir my_dir将python代码以及csv文件发送到所有从属节点。

4. 我已经在主节点上设置了环境变量：

   $ export SPARK_HOME=~/spark

   $ export PYTHONPATH=$SPARK_HOME/python/:$PYTHONPATH

但是，当我在主节点$ python sum.py上运行python代码时，它显示以下错误：

Traceback (most recent call last):
  File "sum.py", line 18, in <module>
    from pyspark import SparkConf, SparkContext
  File "/root/spark/python/pyspark/__init__.py", line 41, in <module>
    from pyspark.context import SparkContext
  File "/root/spark/python/pyspark/context.py", line 31, in <module>
    from pyspark.java_gateway import launch_gateway
  File "/root/spark/python/pyspark/java_gateway.py", line 31, in <module>
    from py4j.java_gateway import java_import, JavaGateway, GatewayClient
ImportError: No module named py4j.java_gateway

我对此错误一无所知。 另外，我想知道主节点是否自动调用所有从节点以并行运行。 如果有人可以帮助我，我非常感谢。

Answer 1

这是我调试此特定导入错误的方法。

1. ssh到您的主节点
2. 使用$ python运行python REPL
3. 尝试失败的导入行>> from py4j.java_gateway import java_import, JavaGateway, GatewayClient
4. 如果失败，请尝试运行>> import py4j
5. 如果失败，则意味着您的系统没有安装py4j或找不到它。
6. 退出REPL >> exit()
7. 尝试安装py4j $ pip install py4j （您需要安装pip）
8. 打开REPL $ python
9. 尝试再次导入>> from py4j.java_gateway import java_import, JavaGateway, GatewayClient
10. 如果$ python sum.py ，则>> exit()并尝试再次运行$ python sum.py

Answer 2

我认为您在问两个单独的问题。 看来您有导入错误。 是否有可能在本地计算机上安装了与主节点上尚未安装的py4j软件包不同的版本？

我不禁要并行运行它。