摘要：本文将介绍如何在 Spark scala 程序中调用 Python 脚本，Spark java 程序调用的过程也大体相同。
本文分享自华为云社区《【Spark】如何在Spark Scala/Java应用中调用Python脚本》，作者：小兔子 615 。
1.PythonRunner
对于运行与 JVM 上的程序（即 Scala、Java 程序），Spark 提供了 PythonRunner 类。只需要调用 PythonRunner 的 main 方法，就可以在 Scala 或 Java 程序中调用 Python 脚本。在实现上，PythonRunner 基于 py4j ，通过构造 GatewayServer 实例让 python 程序通过本地网络 socket 来与 JVM 通信。
// Launch a Py4J gateway server for the process to connect to; this will let it see our // Java system properties and such val localhost = InetAddress.getLoopbackAddress() val gatewayServer = new py4j.GatewayServer.GatewayServerBuilder() .authToken(secret) .javaPort(0) .javaAddress(localhost) .callbackClient(py4j.GatewayServer.DEFAULT_PYTHON_PORT, localhost, secret) .build() val thread = new Thread(new Runnable() { override def run(): Unit = Utils.logUncaughtExceptions { gatewayServer.start() } }) thread.setName("py4j-gateway-init") thread.setDaemon(true) thread.start() // Wait until the gateway server has started, so that we know which port is it bound to. // `gatewayServer.start()` will start a new thread and run the server code there, after // initializing the socket, so the thread started above will end as soon as the server is // ready to serve connections. thread.join()
复制代码
在启动 GatewayServer 后，再通过 ProcessBuilder 构造子进程执行 Python 脚本，等待 Python 脚本执行完成后，根据 exitCode 判断是否执行成功，若执行失败则抛出异常，最后关闭 gatewayServer。
// Launch Python process val builder = new ProcessBuilder((Seq(pythonExec, formattedPythonFile) ++ otherArgs).asJava) try { val process = builder.start() new RedirectThread(process.getInputStream, System.out, "redirect output").start() val exitCode = process.waitFor() if (exitCode != 0) { throw new SparkUserAppException(exitCode) } } finally { gatewayServer.shutdown() }
复制代码
2.调用方法
2.1 调用代码
PythonRunner 的 main 方法中需要传入三个参数：
val pythonFile = args(0)val pyFiles = args(1)val otherArgs = args.slice(2, args.length)
复制代码
具体样例代码如下，scala 样例代码：
package com.huawei.bigdata.spark.examples import org.apache.spark.deploy.PythonRunnerimport org.apache.spark.sql.SparkSession object RunPythonExample { def main(args: Array[String]) { val pyFilePath = args(0) val pyFiles = args(1) val spark = SparkSession .builder() .appName("RunPythonExample") .getOrCreate() runPython(pyFilePath, pyFiles) spark.stop() } def runPython(pyFilePath: String, pyFiles :String) : Unit = { val inputPath = "-i /input" val outputPath = "-o /output" PythonRunner.main(Array(pyFilePath, pyFiles, inputPath, outputPath)) }}
复制代码
python 样例代码：
#!/usr/bin/env python# coding: utf-8import sysimport argparse argparser = argparse.ArgumentParser(description="ParserMainEntrance")argparser.add_argument('--input', '-i', help="input path", default=list(), required=True)argparser.add_argument('--output', '-o', help="output path", default=list(), required=True)arglist = argparser.parse_args() def getTargetPath(input_path, output_path): try: print("input path: {}".format(input_path)) print("output path: {}".format(output_path)) return True except Exception as ex: print("error with: {}".format(ex)) return False if __name__ == "__main__": ret = getTargetPath(arglist.input, arglist.output) if ret: sys.exit(0) else: sys.exit(1)
复制代码
2.2 运行命令
执行 python 脚本需要设置 pythonExec，即执行 python 脚本所使用的执行环境。默认情况下，使用的执行器为 python（Spark 2.4 及以下）或 python3 （Spark 3.0 及以上）。
//Spark 2.4.5 val sparkConf = new SparkConf() val secret = Utils.createSecret(sparkConf) val pythonExec = sparkConf.get(PYSPARK_DRIVER_PYTHON) .orElse(sparkConf.get(PYSPARK_PYTHON)) .orElse(sys.env.get("PYSPARK_DRIVER_PYTHON")) .orElse(sys.env.get("PYSPARK_PYTHON")) .getOrElse("python") //Spark 3.1.1 val sparkConf = new SparkConf() val secret = Utils.createSecret(sparkConf) val pythonExec = sparkConf.get(PYSPARK_DRIVER_PYTHON) .orElse(sparkConf.get(PYSPARK_PYTHON)) .orElse(sys.env.get("PYSPARK_DRIVER_PYTHON")) .orElse(sys.env.get("PYSPARK_PYTHON")) .getOrElse("python3")
复制代码
如果要手动指定 pythonExec，需要在执行前设置环境变量（无法通过 spark-defaults 传入）。在 cluster 模式下，可以通过 --conf “spark.executorEnv.PYSPARK_PYTHON=python3” --conf “spark.yarn.appMasterEnv.PYSPARK_PYTHON=python3” 设置。driver 端还可以通过 export PYSPARK_PYTHON=python3 设置环境变量。
若需要上传 pyhton 包，可以通过 --archive python.tar.gz 的方式上传。
为了使应用能够获取到 py 脚本文件，还需要在启动命令中添加 --file pythonFile.py 将 python 脚本上传到 yarn 上。
运行命令参考如下：
spark-submit --master yarn --deploy-mode cluster --class com.huawei.bigdata.spark.examples.RunPythonExample --files /usr/local/test.py --conf "spark.executorEnv.PYSPARK_PYTHON=python3" --conf "spark.yarn.appMasterEnv.PYSPARK_PYTHON=python3" /usr/local/test.jar test.py test.py
复制代码
如果需要使用其他 python 环境，而非节点上已安装的，可以通过 --archives 上传 python 压缩包，再通过环境变量指定 pythonExec，例如：
spark-submit --master yarn --deploy-mode cluster --class com.huawei.bigdata.spark.examples.RunPythonExample --files /usr/local/test.py --archives /usr/local/python.tar.gz#myPython --conf "spark.executorEnv.PYSPARK_PYTHON=myPython/bin/python3" --conf "spark.yarn.appMasterEnv.PYSPARK_PYTHON=myPython/bin/python3" /usr/local/test.jar test.py test.py
复制代码
点击关注，第一时间了解华为云新鲜技术~
评论