python - 将类函数传递给 PySpark RDD

Question

我在此处的 Python 文件中有一个名为 some_class() 的类:

/some-folder/app/bin/file.py

我将它导入到我的代码中:

/some-folder2/app/code/file2.py

通过

import sys
sys.path.append('/some-folder/app/bin')
from file import some_class

clss = some_class()

我想在spark的map中使用这个类的some_function函数

sc.parallelize(some_data_iterator).map(lambda x: clss.some_function(x))

这给我一个错误:

No module named file

虽然 class.some_function 当我在 pyspark 的 map 函数之外调用它时，即通常但不在 pySpark 的 RDD 中。我认为这与pyspark有关。我不知道我哪里出错了。

我试过广播这个类，但还是不行。

Answer 1

所有 Python 依赖项都必须存在于工作节点的搜索路径上，或者使用 SparkContext.addPyFile 方法手动分发，所以像这样的事情应该可以解决问题:

sc.addPyFile("/some-folder/app/bin/file.py")

它将文件复制到所有worker并放置在工作目录中。

请注意，请不要使用 file 作为模块名称，即使它只是一个示例。在 Python 中隐藏内置函数并不是一个好主意。