将类函数传递给 PySpark RDD

Question

我在这里的 Python 文件中有一个名为 some_class() 的类：

/some-folder/app/bin/file.py

我将它导入到我的代码中：

/some-folder2/app/code/file2.py

经过

import sys
sys.path.append('/some-folder/app/bin')
from file import some_class

clss = some_class()

我想在火花地图中使用这个类的名为 some_function 的函数

sc.parallelize(some_data_iterator).map(lambda x: clss.some_function(x))

这给了我一个错误：

No module named file

而 class.some_function 当我在 pyspark 的 map 函数之外调用它时，即通常但不在 pySpark 的 RDD 中。 我认为这与pyspark有关。 我不知道我哪里出错了。

我试过广播这门课，但仍然没有奏效。

Answer 1

所有 Python 依赖项都必须出现在工作节点的搜索路径上，或者使用SparkContext.addPyFile方法手动分发，因此这样的事情应该可以解决问题：

sc.addPyFile("/some-folder/app/bin/file.py")

它将文件复制到所有工作人员并放置在工作目录中。

附带说明，请不要使用file作为模块名称，即使它只是一个示例。 在 Python 中隐藏内置函数不是一个好主意。