配置Spark以使用Jupyter Notebook和Anaconda

Question

我花了几天时间试图让Spark与我的Jupyter笔记本和Anaconda一起工作.这是我的.bash_profile的样子:

PATH="/my/path/to/anaconda3/bin:$PATH"

export JAVA_HOME="/my/path/to/jdk"
export PYTHON_PATH="/my/path/to/anaconda3/bin/python"
export PYSPARK_PYTHON="/my/path/to/anaconda3/bin/python"

export PATH=$PATH:/my/path/to/spark-2.1.0-bin-hadoop2.7/bin
export PYSPARK_DRIVER_PYTHON=jupyter
export PYSPARK_DRIVER_PYTHON_OPTS="notebook" pyspark
export SPARK_HOME=/my/path/to/spark-2.1.0-bin-hadoop2.7
alias pyspark="pyspark --conf spark.local.dir=/home/puifais --num-executors 30 --driver-memory 128g --executor-memory 6g --packages com.databricks:spark-csv_2.11:1.5.0"

当我输入时/my/path/to/spark-2.1.0-bin-hadoop2.7/bin/spark-shell,我可以在命令行shell中启动Spark.输出sc不是空的.它似乎工作正常.

当我输入时pyspark,它会启动我的Jupyter笔记本电脑.当我创建一个新的Python3笔记本时,会出现此错误:

[IPKernelApp] WARNING | Unknown error in handling PYTHONSTARTUP file /my/path/to/spark-2.1.0-bin-hadoop2.7/python/pyspark/shell.py: 

而sc在我的笔记本Jupyter是空的.

有谁可以帮助解决这种情况？

---

只是想澄清一下:错误结束后冒号后面没有任何内容.我也尝试使用这篇文章创建我自己的启动文件,我在这里引用,所以你不必去看那里:

我创建了一个简短的初始化脚本init_spark.py,如下所示:

from pyspark import SparkConf, SparkContext
conf = SparkConf().setMaster("yarn-client")
sc = SparkContext(conf = conf)

并将其放在〜/ .ipython/profile_default/startup /目录中

当我这样做时,错误变为:

[IPKernelApp] WARNING | Unknown error in handling PYTHONSTARTUP file /my/path/to/spark-2.1.0-bin-hadoop2.7/python/pyspark/shell.py:
[IPKernelApp] WARNING | Unknown error in handling startup files:

Answer 1

好吧,让我痛苦地看到糟糕的黑客,如设置PYSPARK_DRIVER_PYTHON=jupyter,已经被提升为"解决方案"并且现在倾向于成为标准实践,尽管它们显然导致丑陋的结果,例如打字pyspark和结束Jupyter笔记本而不是PySpark shell,加上潜伏在下游的尚未见到的问题,例如当你尝试使用spark-submit上述设置 ...... :(

(不要误解我的意思,这不是你的错,我不是在责怪你;我在SO那里看过几十个帖子,这个"解决方案"已被提议,接受和投票......).

只有一种正确的方法可以自定义Jupyter笔记本以便与其他语言一起使用(PySpark在这里),这就是使用Jupyter内核.

首先要做的是运行一个jupyter kernelspec list命令,以获取机器中任何已有内核的列表; 这是我的案例(Ubuntu)的结果:

$ jupyter kernelspec list
Available kernels:
  python2       /usr/lib/python2.7/site-packages/ipykernel/resources
  caffe         /usr/local/share/jupyter/kernels/caffe
  ir            /usr/local/share/jupyter/kernels/ir
  pyspark       /usr/local/share/jupyter/kernels/pyspark
  pyspark2      /usr/local/share/jupyter/kernels/pyspark2
  tensorflow    /usr/local/share/jupyter/kernels/tensorflow

第一个内核python2是IPython的"默认" 内核(很可能是你系统中唯一存在的内核); 至于其余部分,我还有2个Python内核(caffe&tensorflow),一个R one(ir)和两个PySpark内核,分别用于Spark 1.6和Spark 2.0.

上面列表的条目是目录,每个条目包含一个名为的文件kernel.json.让我们看看我的pyspark2内核的这个文件的内容:

{
 "display_name": "PySpark (Spark 2.0)",
 "language": "python",
 "argv": [
  "/opt/intel/intelpython27/bin/python2",
  "-m",
  "ipykernel",
  "-f",
  "{connection_file}"
 ],
 "env": {
  "SPARK_HOME": "/home/ctsats/spark-2.0.0-bin-hadoop2.6",
  "PYTHONPATH": "/home/ctsats/spark-2.0.0-bin-hadoop2.6/python:/home/ctsats/spark-2.0.0-bin-hadoop2.6/python/lib/py4j-0.10.1-src.zip",
  "PYTHONSTARTUP": "/home/ctsats/spark-2.0.0-bin-hadoop2.6/python/pyspark/shell.py",
  "PYSPARK_PYTHON": "/opt/intel/intelpython27/bin/python2"
 }
}

我没有费心将我的细节改为/my/path/to等等,你已经可以看到我们的案例之间存在一些差异(我使用的是Intel Python 2.7,而不是Anaconda Python 3),但希望你能得到这个想法(BTW,不要担心connection_file- 我也不用一个).

现在,最简单的方法是手动对上面显示的内核进行必要的更改(仅限路径)并将其保存在.../jupyter/kernels目录的新子文件夹中(这样,如果再次运行jupyter kernelspec list命令,它应该是可见的).如果你认为这种方法也是一种黑客攻击,那么我会同意你的意见,但它是Jupyter文档中推荐的那种(第12页):

但是,没有很好的方法来修改kernelspecs.一种方法用于jupyter kernelspec list查找kernel.json文件,然后例如kernels/python3/kernel.json手动修改它.

如果你还没有一个.../jupyter/kernels文件夹,你仍然可以使用jupyter kernelspec install- 尚未尝试过安装新内核,但看看这个SO答案.

最后,不要忘记从bash配置文件中删除所有与PySpark相关的环境变量(只留下SPARK_HOME应该没问题).并确认,当你打字时pyspark,你发现自己有一个PySpark shell,应该是,而不是Jupyter笔记本......

UPDATE(注释后):如果要将命令行参数传递给PySpark,则应在PYSPARK_SUBMIT_ARGS下面添加设置env; 例如,这是我的Spark 1.6.0各自内核文件的最后一行,我们仍然必须使用外部spark-csv包来读取CSV文件:

"PYSPARK_SUBMIT_ARGS": "--master local --packages com.databricks:spark-csv_2.10:1.4.0 pyspark-shell"

Answer 2

Conda可以帮助正确管理很多依赖...

安装火花.假设在/ opt/spark中安装了spark,请将其包含在〜/ .bashrc中:

export SPARK_HOME=/opt/spark
export PATH=$SPARK_HOME/bin:$PATH

除了spark之外,创建一个包含所有必需依赖项的conda环境:

conda create -n findspark-jupyter-openjdk8-py3 -c conda-forge python=3.5 jupyter=1.0 notebook=5.0 openjdk=8.0.144 findspark=1.1.0

激活环境

$ source activate findspark-jupyter-openjdk8-py3

启动Jupyter Notebook服务器:

$ jupyter notebook

在浏览器中,创建一个新的Python3笔记本

试着用下面的脚本(从借来的计算PI 这个)

import findspark
findspark.init()
import pyspark
import random
sc = pyspark.SparkContext(appName="Pi")
num_samples = 100000000
def inside(p):     
  x, y = random.random(), random.random()
  return x*x + y*y < 1
count = sc.parallelize(range(0, num_samples)).filter(inside).count()
pi = 4 * count / num_samples
print(pi)
sc.stop()