如何在DataWorks上运行PySpark作业_大数据开发治理平台 DataWorks(DataWorks)-阿里云帮助中心

PySpark可直接调用Python的API运行Spark作业，PySpark作业需在特定Python环境中运行。EMR默认支持使用Python，若EMR支持的Python版本无法运行PySpark作业，则您可参考本实践配置可用的Python环境并在DataWorks上运行PySpark作业。

前提条件

执行本实践所使用的DataWorks及E-MapReduce（简称EMR）需部署在相同地域。产品各自需执行的前提条件如下：

DataWorks侧
在DataWorks运行PySpark作业时，需创建EMR Spark节点，并使用spark-submit命令提交作业。
EMR侧
需准备如下EMR环境：
- 准备EMR实例。本实践示例使用EMR on ECS实例。
- 本实践需使用一个Python包进行示例验证，您可在本地或ECS进行自主打包；也可直接下载本实践的示例包（Python3.7）。使用自主打包时，本地或ECS需安装Docker运行环境及Python运行环境。
  说明
  本实践仅以Python3.7演示相关操作，实际使用中可选择所需Python版本。EMR支持的Python版本可能和您使用的Python版本存在差异，建议使用本实践的Python3.7版本。

操作步骤

准备运行Python程序需要的虚拟环境。

您可选择直接下载本实践的示例包python3.7使用（推荐）；或通过如下步骤自主打包Python环境。

制作Docker镜像。

您可选择直接下载本实践的示例Dockerfile文件至本地或ECS；或在安装了Docker环境的宿主机上新建一个Dockerfile文件。Dockerfile文件的内容如下。

FROM centos:centos7.9.2009
RUN set -ex \
# 预安装所需组件。
&& yum install -y wget tar libffi-devel zlib-devel bzip2-devel openssl-devel ncurses-devel sqlite-devel readline-devel tk-devel gcc make initscripts zip\
&& wget https://www.python.org/ftp/python/3.7.0/Python-3.7.0.tgz \
&& tar -zxvf Python-3.7.0.tgz \
&& cd Python-3.7.0 \
&& ./configure prefix=/usr/local/python3 \
&& make \
&& make install \
&& make clean \
&& rm -rf /Python-3.7.0* \
&& yum install -y epel-release \
&& yum install -y python-pip
# 设置默认为python3。
RUN set -ex \
# 备份旧版本python。
&& mv /usr/bin/python /usr/bin/python27 \
&& mv /usr/bin/pip /usr/bin/pip-python27 \
# 配置默认为python3。
&& ln -s /usr/local/python3/bin/python3.7 /usr/bin/python \
&& ln -s /usr/local/python3/bin/pip3 /usr/bin/pip
# 修复因修改python版本导致yum失效问题。
RUN set -ex \
&& sed -i "s#/usr/bin/python#/usr/bin/python27#" /usr/bin/yum \
&& sed -i "s#/usr/bin/python#/usr/bin/python27#" /usr/libexec/urlgrabber-ext-down \
&& yum install -y deltarpm
# 更新pip版本。
RUN pip install --upgrade pip

构建镜像并运行容器。

在Dockerfile文件所在路径下，执行如下命令。

sudo docker build -t python-centos:3.7 .
sudo docker run -itd --name python3.7 python-centos:3.7

进入安装容器所需的Python依赖库并打包Python环境。

sudo docker exec -it  python3.7 bash

pip install [所需依赖库]
# vi requirements.txt
# pip install -r requirements.txt
# numpy
# pandas

cd /usr/local/
zip -r python3.7.zip python3/

拷贝容器中的Python环境到宿主机。

# 在宿主机运行命令将虚拟环境拷贝到宿主机。
sudo docker cp python3.7:/usr/local/python3.7.zip .

上传虚拟环境。
您可根据需要，选择上传Python虚拟环境至OSS或HDFS。
说明
本实践以上传至HDFS示例。如果您选择上传至OSS，操作详情请参见上传文件。
上传Python环境至HDFS命令如下。
```
# 上传至HDFS中。
hdfs dfs -copyFromLocal python3.7.zip /tmp/pyspark                          
```

测试并上传Python代码。

您可在本地或ECS中创建一个py文件，按照下述方法测试Python代码是否正确。本实践示例使用pyspark_test.py文件测试。

# -*- coding: utf-8 -*-

import os
from pyspark.sql import SparkSession

def noop(x):
    import socket
    import sys
    host = socket.gethostname() + ' '.join(sys.path) + ' '.join(os.environ)
    print('host: ' + host)
    print('PYTHONPATH: ' + os.environ['PYTHONPATH'])
    print('PWD: ' + os.environ['PWD'])
    print(os.listdir('.'))
    return host


if __name__ == '__main__':

    spark = SparkSession \
        .builder \
        .appName("test_pyspark") \
        .enableHiveSupport() \
        .getOrCreate()

    sc = spark.sparkContext
    # 验证系统当前环境变量。
    rdd = sc.parallelize(range(10), 2)
    hosts = rdd.map(noop).distinct().collect()
    print(hosts)

    # 验证UDF。
    # https://docs.databricks.com/spark/latest/spark-sql/udf-python.html#
    # spark.udf.register("udf_squared", udf_squared)
    # spark.udf.register("udf_numpy", udf_numpy)

    tableName = "store"
    df = spark.sql("""select count(*) from %s """ % tableName)
    print("rdf count, %s\n" % df.count())
    df.show()

说明

您需将示例表名store替换成数据仓库中实际存在的表名。

上传Python代码至HDFS中。
参考如下命令，在EMR实例中上传Python代码至HDFS。
说明
本实践以上传至HDFS示例。如果您选择上传至OSS，操作详情请参见上传文件。
```
hdfs dfs -copyFromLocal pyspark_test.py /tmp/pyspark
```

在DataWorks中通过spark-submit命令提交作业。

在创建的EMR Spark节点中，使用如下命令提交作业。

说明

如果您选择上传Python代码至OSS，则需替换为实际使用的OSS路径。

spark-submit --master yarn \
--deploy-mode cluster \
--conf spark.yarn.appMasterEnv.PYSPARK_PYTHON=./PYTHONENV/python3/bin/python3.7 \
--conf spark.executorEnv.PYTHONPATH=./PYTHONENV/python3/lib/python3.7/site-packages \
--conf spark.yarn.appMasterEnv.PYTHONPATH=./PYTHONENV/python3/lib/python3.7/site-packages \
--conf spark.yarn.appMasterEnv.JOBOWNER=LiuYuQuan \
--archives hdfs://hdfs-cluster/tmp/pyspark/python3.7.zip#PYTHONENV \
## --py-files hdfs://hdfs-cluster/tmp/pyspark/mc_pyspark-0.1.0-py3-none-any.zip \
--driver-memory 4g \
--driver-cores 1 \
--executor-memory 4g \
--executor-cores 1 \
--num-executors 3 \
--name TestPySpark \
hdfs://hdfs-cluster/tmp/pyspark/pyspark_test.py