账号密码登录
微信安全登录
微信扫描二维码登录

登录后绑定QQ、微信即可实现信息互通

手机验证码登录
找回密码返回
邮箱找回 手机找回
注册账号返回
其他登录方式
分享
  • 收藏
    X
    为什么会在pyspark在RDD中调用python第三方库失败?
    59
    0

    问题描述

    Hi, 我在公司线上运行pyspark时调用jieba分词, 发现可以成功import, 但是在RDD中调用分词函数时却提示没有 module jieba, 在本地虚拟机时没有这些问题

    问题出现的环境背景及自己尝试过哪些方法

    尝试更换了root安装jieba的

    相关代码

    // 请把代码文本粘贴到下方(请勿用图片代替代码)
    >>>import jieba
    >>>[x for x in jieba.cut('这是一段测试文本')]
    Building prefix dict from the default dictionary ...
    Loading model from cache /tmp/jieba.cache
    Loading model cost 0.448 seconds.
    Prefix dict has been built succesfully.
    [u'u8fd9u662f', u'u4e00u6bb5', u'u6d4bu8bd5', u'u6587u672c']
    //以上是普通调用jieba 能够成功分词
    >>> cut = name.map(lambda x: [y for y in jieba.cut(x)])
    >>> cut.count()
    //以上代码在本地虚拟机中运行不会报错,但是在线上堡垒机运行会报错。

    你期待的结果是什么?实际看到的错误信息又是什么?

    18/07/13 10:16:17 WARN scheduler.TaskSetManager: Lost task 6.0 in stage 1.0 (TID 16, hadoop13, executor 17): org.apache.spark.api.python.PythonException: Traceback (most recent call last):
    File "/opt/cloudera/parcels/CDH-5.11.0-1.cdh5.11.0.p0.34/lib/spark/python/pyspark/worker.py", line 98, in main

    command = pickleSer._read_with_length(infile)

    File "/opt/cloudera/parcels/CDH-5.11.0-1.cdh5.11.0.p0.34/lib/spark/python/pyspark/serializers.py", line 164, in _read_with_length

    return self.loads(obj)

    File "/opt/cloudera/parcels/CDH-5.11.0-1.cdh5.11.0.p0.34/lib/spark/python/pyspark/serializers.py", line 422, in loads

    return pickle.loads(obj)

    File "/opt/cloudera/parcels/CDH-5.11.0-1.cdh5.11.0.p0.34/lib/spark/python/pyspark/cloudpickle.py", line 664, in subimport

    __import__(name)

    ImportError: ('No module named jieba', <function subimport at 0x27a9488>, ('jieba',))

        at org.apache.spark.api.python.PythonRunner$$anon$1.read(PythonRDD.scala:166)
        at org.apache.spark.api.python.PythonRunner$$anon$1.<init>(PythonRDD.scala:207)
        at org.apache.spark.api.python.PythonRunner.compute(PythonRDD.scala:125)
        at org.apache.spark.api.python.PythonRDD.compute(PythonRDD.scala:70)
        at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:306)
        at org.apache.spark.rdd.RDD.iterator(RDD.scala:270)
        at org.apache.spark.scheduler.ResultTask.runTask(ResultTask.scala:66)
        at org.apache.spark.scheduler.Task.run(Task.scala:89)
        at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:242)
        at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142)
        at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617)
        at java.lang.Thread.run(Thread.java:745)
    0
    打赏
    收藏
    点击回答
        全部回答
    • 共 0 条
    • 韩明玄 普通会员 1楼

      在PySpark中调用Python第三方库失败可能有以下几个原因:

      1. 模块不存在:首先,确保你在Python代码中正确地引用了第三方库。你可以使用importlib模块来导入模块,然后使用as关键字将导入后的模块名称转换为Python类名。例如:

      python importlib.import_module('module_name') module_name = module_name as module_class_name

      1. 模块不在加载路径中:Python库可能存在于你的Python代码的外部目录中,但它们可能没有被添加到你的Python环境的路径中。你可以通过sys.path来获取Python环境的路径,并检查模块是否在路径中。例如:

      python sys.path.append('module_path')

      1. 库不存在:如果第三方库在Python代码中被导入,但实际在运行时不存在,那么在PySpark中调用它就会失败。你可以使用assert语句来检查库是否存在,或者使用importlib.reload方法来加载库。例如:

      python importlib.assert_path.exists('module_name') importlib.reload('module_name')

      1. 库版本问题:如果第三方库在Python代码中被导入,但其版本与你的PySpark版本不兼容,那么在PySpark中调用它就会失败。你可以使用pip命令来安装库,并确保版本与PySpark的版本兼容。例如:

      bash pip install --upgrade module_name

      1. 依赖问题:如果你正在使用依赖于第三方库的其他Python代码,而这些代码没有正确地导入库,那么在PySpark中调用库就会失败。你可以使用pip命令来安装依赖库,并确保它们在你的Python环境中已经安装。例如:

      bash pip install dependency_name

    更多回答
    扫一扫访问手机版
    • 回到顶部
    • 回到顶部