未找到Amazon EMR Pyspark模块

Question

我已经创建了一个包含Spark的Amazon EMR集群.当我从终端运行pyspark时,当我进入我的集群时,它会进入pyspark终端.

我使用scp上传了一个文件,当我尝试使用python FileName.py运行它时,出现导入错误:

from pyspark import SparkContext
ImportError: No module named pyspark

我该如何解决？

Answer 1

您可能需要将 pyspark 文件添加到路径中。我通常使用如下所示的函数。

def configure_spark(spark_home=None, pyspark_python=None):
    spark_home = spark_home or "/path/to/default/spark/home"
    os.environ['SPARK_HOME'] = spark_home

    # Add the PySpark directories to the Python path:
    sys.path.insert(1, os.path.join(spark_home, 'python'))
    sys.path.insert(1, os.path.join(spark_home, 'python', 'pyspark'))
    sys.path.insert(1, os.path.join(spark_home, 'python', 'build'))

    # If PySpark isn't specified, use currently running Python binary:
    pyspark_python = pyspark_python or sys.executable
    os.environ['PYSPARK_PYTHON'] = pyspark_python

然后，您可以在导入 pyspark 之前调用该函数：

configure_spark('/path/to/spark/home')
from pyspark import SparkContext

EMR 节点上的 Spark home 应该类似于/home/hadoop/spark. 有关更多详细信息，请参阅https://aws.amazon.com/articles/Elastic-MapReduce/4926593393724923 。

Answer 2

我~/.bashrc为emr 4.3 添加以下行:

export SPARK_HOME=/usr/lib/spark
export PYTHONPATH=$SPARK_HOME/python/lib/py4j-0.XXX-src.zip:$PYTHONPATH
export PYTHONPATH=$SPARK_HOME/python:$SPARK_HOME/python/build:$PYTHONPATH

这py4j-0.XXX-src.zip是spark python库文件夹中的py4j文件.搜索/usr/lib/spark/python/lib/以查找确切的版本并替换XXX为该版本号.

跑source ~/.bashrc,你应该好.