在EMR中使用Spark提示找不到Python模块

Question

【以下的问题经过翻译处理】 我正在尝试在EMR上运行一个Python作业，其中一些依赖项已通过venv安装，如下所示：

```
python -m venv pyspark_venv
source pyspark_venv/bin/activate
pip install pyarrow pandas venv-pack
venv-pack -o pyspark_venv.tar.gz
```

并且作业通过以下配置运行：

```
{
   "spark.yarn.appMasterEnv.PYSPARK_PYTHON":"./environment/bin/python",
   "spark.yarn.appMasterEnv.PYSPARK_DRIVER_PYTHON":"./environment/bin/python",
   "spark.yarn.dist.archives":"s3://DOC-EXAMPLE-BUCKET/prefix/my_pyspark_venv.tar.gz#environment",
   "spark.submit.deployMode":"cluster"
}
```

但是当我运行作业时，提示“ no module named Pandas”的错误。在本地脚本使用相同的venv运行，打印sys路径表明似乎spark在使用系统Python而非venv。

有没有什么办法可以使用venv的配置？

Answer

【以下的回答经过翻译处理】 问题是EMR Spark作业不能找到虚拟环境中安装的包，为确保Spark使用虚拟环境中的Python环境，可以尝试以下步骤：

1. 添加以下内容到EMR Spark作业配置中，确保Spark使用虚拟环境中的Python二进制文件：

```
"spark.executorEnv.PYTHONHASHSEED":"0"
```

2. 在PySpark代码中，添加以下行以显式设置所使用的Python环境：

```
import os
os.environ['PYSPARK_PYTHON'] = './environment/bin/python'
os.environ['PYSPARK_DRIVER_PYTHON'] = './environment/bin/python'
```

3. 确保pyspark\_venv.tar.gz文件已上传到S3存储桶，并具有读取权限。
4. 通过检查yarn/userlogs目录中的日志，验证虚拟环境是否已成功加载。

在EMR中使用Spark提示找不到Python模块

관련 콘텐츠