如何使用Apache-Spark在AWS集群上運行代碼？

Question

我已經寫了一個python代碼，用於匯總每個csv文件的第一列中的所有數字，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代碼並行化幾個csv文件的求和過程。 我已經完成以下步驟：

1. 我在AWS上創建了一個主節點和兩個從節點。
2. 我已經使用了bash命令$ scp -r -i my-key-pair.pem my_dir root@ec2-52-27-82-124.us-west-2.compute.amazonaws.com上傳目錄my_dir包括將帶有csv文件的python代碼復制到群集主節點上。
3. 我已經登錄了主節點，然后使用bash命令$ ./spark/copy-dir my_dir將python代碼以及csv文件發送到所有從屬節點。

4. 我已經在主節點上設置了環境變量：

   $ export SPARK_HOME=~/spark

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

但是，當我在主節點$ python sum.py上運行python代碼時，它顯示以下錯誤：

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

我對此錯誤一無所知。 另外，我想知道主節點是否自動調用所有從節點以並行運行。 如果有人可以幫助我，我非常感謝。

Answer 1

這是我調試此特定導入錯誤的方法。

1. ssh到您的主節點
2. 使用$ python運行python REPL
3. 嘗試失敗的導入行>> from py4j.java_gateway import java_import, JavaGateway, GatewayClient
4. 如果失敗，請嘗試運行>> import py4j
5. 如果失敗，則意味着您的系統沒有安裝py4j或找不到它。
6. 退出REPL >> exit()
7. 嘗試安裝py4j $ pip install py4j （您需要安裝pip）
8. 打開REPL $ python
9. 嘗試再次導入>> from py4j.java_gateway import java_import, JavaGateway, GatewayClient
10. 如果$ python sum.py ，則>> exit()並嘗試再次運行$ python sum.py

Answer 2

我認為您在問兩個單獨的問題。 看來您有導入錯誤。 是否有可能在本地計算機上安裝了與主節點上尚未安裝的py4j軟件包不同的版本？

我不禁要並行運行它。