python - 涉及带有管道的子进程的映射步骤在 PySpark 中失败

Question

我的目标是读取 hdfs 上由 csv 数据组成的二进制(gpg 加密)文件。我的方法——遵循this answer -- 定义一个 Python 函数来读取和解密 gpg 文件，生成每一行，并将该函数作为 flatMap 应用于并行文件列表。

本质上，Python 函数会生成一个子进程，该子进程使用 hadoop 读取文件，并将结果通过管道传输到 gpg 进行解密。在本地模式下运行 Spark 时，这工作得很好。然而，分布式运行(yarn-client)，简单的行计数会返回 0，主要是因为 Python 认为 stdout 管道始终处于关闭状态。

问题似乎是子进程涉及两个命令之间的管道。当我删除后者(只是加密文件的行数)时，行数与我在命令行上得到的内容相匹配。我尝试了多种方法，但结果都相同。

这是 Python 函数:

import subprocess as sp

def read_gpg_file_on_hdfs(filename):
    # Method 1:
    p = sp.Popen('hadoop fs -cat {} | gpg -d'.format(filename), shell=True,
                 stdout=sp.PIPE)
    # Method 2:
    p1 = sp.Popen(['hadoop', 'fs', '-cat', filename], stdout=sp.PIPE)
    p = sp.Popen(['gpg', '-d'], stdin=p1.stdout, stdout=sp.PIPE)
    p1.stdout.close()

    # Method 3:
    p = sp.Ppen('gpg -d <(hadoop fs -cat {})'.format(filename), shell=True,
                stdout=sp.PIPE, stderr=sp.PIPE)

    for line in p.stdout:
        yield line.strip()

这是 Spark 命令:

sc.parallelize(['/path/to/file.gpg']).flatMap(read_gpg_file_on_hdfs).count()

现在我知道 PySpark 使用管道与 Spark 进行通信，但我不了解细节，我不知道这是否会影响我想要做的事情。我的问题是是否有办法完成我想做的事情。

请注意，我使用的是 Spark 1.2.1 分布式版本(MapR 的最新版本)。另外，我考虑过使用 binaryFiles，但这对于大型 gpg 文件会失败，我有时会遇到这种情况。

提前致谢!

Answer 1

事实证明，gpg 命令实际上是问题所在。据推测，它与如何在本地模式与分布式模式下启动子进程的细节有关，但在本地模式下，gpg 的 homedir 设置正确。但是，当以分布式模式启动时，homedir 指向错误的目录，第二个子进程立即失败。此错误消息似乎没有记录在任何地方，因此 stdout 只是作为空字符串返回。