我试图使用要使用的 python 文件的 zip 的 GCS uri(通过 --py-files 参数)和 python 文件名作为 PY_FILE 参数值提交作业。
这似乎不起作用。我是否需要为 PY_FILE 值提供一些相对路径? PY_FILE 也包含在 zip 中。
例如在
gcloud beta dataproc jobs submit pyspark --cluster clustername --py-files gcsuriofzip PY_FILE
PY_FILE 的值应该是多少?
最佳答案
这是一个很好的问题。要回答这个问题,我将使用 PySpark wordcount example .
在本例中,我创建了两个文件,一个名为 test.py
这是我要执行的文件,另一个名为 wordcount.py.zip
这是一个包含 的 zip修改 wordcount.py
旨在模仿我要调用的模块的文件。
我的 test.py
文件如下所示:
import wordcount
import sys
if __name__ == "__main__":
wordcount.wctest(sys.argv[1])
我修改了
wordcount.py
文件以消除主要方法并添加命名方法:...
from pyspark import SparkContext
...
def wctest(path):
sc = SparkContext(appName="PythonWordCount")
...
我可以调用 Dataproc通过使用以下
gcloud
命令:gcloud beta dataproc jobs submit pyspark --cluster <cluster-name> \
--py-files gs://<bucket>/wordcount.py.zip gs://<bucket>/test.py \
gs://<bucket>/input/input.txt
在此示例中
<bucket>
是我的存储桶的名称(或路径),<cluster-name>
是我的 Dataproc 集群的名称。
关于google-cloud-dataproc - 使用 '--py-files' 参数将 PySpark 作业提交到集群,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/32785903/