在python shell中导入pyspark

Question

这是另一个从未回答过的论坛上的别人问题的副本,所以我想我会在这里重新提问,因为我有同样的问题.(见http://geekple.com/blogs/feeds/Xgzu7/posts/351703064084736)

我在我的机器上正确安装了Spark,并且当使用./bin/pyspark作为我的python解释器时,能够使用pyspark模块运行python程序而不会出错.

但是,当我尝试运行常规Python shell时,当我尝试导入pyspark模块时,我收到此错误:

from pyspark import SparkContext

它说

"No module named pyspark".

我怎样才能解决这个问题？是否需要设置环境变量以将Python指向pyspark headers/libraries/etc. 如果我的火花安装是/ spark /,我需要包含哪些pyspark路径？或者pyspark程序只能从pyspark解释器运行？

Answer 1

这是一个简单的方法(如果你不打扰它如何工作!!!)

使用findspark

1. 转到你的python shell

   __CODE__

2. 导入必要的模块

   __CODE__

3. 完成!

Answer 2

如果它打印出这样的错误:

ImportError:没有名为py4j.java_gateway的模块

请将$ SPARK_HOME/python/build添加到PYTHONPATH:

export SPARK_HOME=/Users/pzhang/apps/spark-1.1.0-bin-hadoop2.4
export PYTHONPATH=$SPARK_HOME/python:$SPARK_HOME/python/build:$PYTHONPATH

Answer 3

原来pyspark bin是LOADING python并自动加载正确的库路径.查看$ SPARK_HOME/bin/pyspark:

# Add the PySpark classes to the Python path:
export PYTHONPATH=$SPARK_HOME/python/:$PYTHONPATH

我将此行添加到我的.bashrc文件中,现在可以正确找到模块!

Answer 4

不要运行你的py文件:python filename.py 而是使用:spark-submit filename.py

Answer 5

通过导出SPARK路径和Py4j路径,它开始工作:

export SPARK_HOME=/usr/local/Cellar/apache-spark/1.5.1
export PYTHONPATH=$SPARK_HOME/libexec/python:$SPARK_HOME/libexec/python/build:$PYTHONPATH
PYTHONPATH=$SPARK_HOME/python/lib/py4j-0.8.2.1-src.zip:$PYTHONPATH 
export PYTHONPATH=$SPARK_HOME/python:$SPARK_HOME/python/build:$PYTHONPATH

因此,如果您不希望每次要启动Python shell时都键入这些内容,则可能需要将其添加到.bashrc文件中

Answer 6

在Mac上,我使用Homebrew来安装Spark(公式为"apache-spark").然后,我以这种方式设置PYTHONPATH,以便Python导入工作:

export SPARK_HOME=/usr/local/Cellar/apache-spark/1.2.0
export PYTHONPATH=$SPARK_HOME/libexec/python:$SPARK_HOME/libexec/python/build:$PYTHONPATH

将"1.2.0"替换为mac上的实际apache-spark版本.

Answer 7

对于在pyspark中执行Spark,需要两个组件一起工作:

• pyspark python包
• JVM中的Spark实例

使用spark-submit或pyspark启动时,这些脚本将同时处理这两个脚本,即它们设置PYTHONPATH,PATH等,以便您的脚本可以找到pyspark,并且它们也会启动spark实例,根据您的参数进行配置,例如--master X.

或者,可以绕过这些脚本并直接在python解释器中运行你的spark应用程序python myscript.py.当spark脚本开始变得更复杂并最终获得自己的args时,这尤其有趣.

1. 确保Python解释器可以找到pyspark包.如前所述,要么将spark/python目录添加到PYTHONPATH,要么使用pip install直接安装pyspark.
2. 从脚本中设置spark实例的参数(那些曾经传递给pyspark的参数).
   • 对于通常使用--conf设置的spark配置,它们在SparkSession.builder.config中使用配置对象(或字符串配置)定义
   • 对于主要选项(如--master或--driver-mem),您可以通过写入PYSPARK_SUBMIT_ARGS环境变量来设置它们.为了使事情更清洁,更安全,您可以在Python本身内设置它,并且spark将在启动时读取它.
3. 启动实例,只需要您getOrCreate()从构建器对象调用.

因此,您的脚本可能具有以下内容:

from pyspark.sql import SparkSession

if __name__ == "__main__":
    if spark_main_opts:
        # Set main options, e.g. "--master local[4]"
        os.environ['PYSPARK_SUBMIT_ARGS'] = spark_main_opts + " pyspark-shell"

    # Set spark config
    spark = (SparkSession.builder
             .config("spark.checkpoint.compress", True)
             .config("spark.jars.packages", "graphframes:graphframes:0.5.0-spark2.1-s_2.11")
             .getOrCreate())

Answer 8

要摆脱ImportError: No module named py4j.java_gateway,您需要添加以下行:

import os
import sys


os.environ['SPARK_HOME'] = "D:\python\spark-1.4.1-bin-hadoop2.4"


sys.path.append("D:\python\spark-1.4.1-bin-hadoop2.4\python")
sys.path.append("D:\python\spark-1.4.1-bin-hadoop2.4\python\lib\py4j-0.8.2.1-src.zip")

try:
    from pyspark import SparkContext
    from pyspark import SparkConf

    print ("success")

except ImportError as e:
    print ("error importing spark modules", e)
    sys.exit(1)

Answer 9

在Windows 10上,以下内容对我有用.我使用您的帐户的设置 > 编辑环境变量添加了以下环境变量:

SPARK_HOME=C:\Programming\spark-2.0.1-bin-hadoop2.7
PYTHONPATH=%SPARK_HOME%\python;%PYTHONPATH%

(将"C:\ Programming\..."更改为已安装spark的文件夹)

Answer 10

对于 Linux 用户，以下是将 pyspark libaray 包含在 PYTHONPATH 中的正确（且非硬编码）方法。两个 PATH 部分都是必需的：

1. pyspark Python 模块本身的路径，以及
2. 导入时 pyspark 模块所依赖的压缩库的路径

请注意，下面的压缩库版本是动态确定的，因此我们不会对其进行硬编码。

export PYTHONPATH=${SPARK_HOME}/python/:$(echo ${SPARK_HOME}/python/lib/py4j-*-src.zip):${PYTHONPATH}

Answer 11

我在 CentOS VM 上运行一个 Spark 集群，它是从 cloudera yum 包安装的。

必须设置以下变量才能运行 pyspark。

export SPARK_HOME=/usr/lib/spark;
export PYTHONPATH=$SPARK_HOME/python:$SPARK_HOME/python/lib/py4j-0.9-src.zip:$PYTHONPATH