配置 Spark 与 Jupyter Notebook 和 Anaconda 协同工作-IT科技

摘要：问题描述：我花了几天时间尝试让 Spark 与我的 Jupyter Notebook 和 Anaconda 配合使用。我的 .bash_profile 如下所示：PATH="/my/path/to/anaconda3/bin:$PATH" export JAVA_HOME="/...

问题描述：

我花了几天时间尝试让 Spark 与我的 Jupyter Notebook 和 Anaconda 配合使用。我的 .bash_profile 如下所示：

PATH="/my/path/to/anaconda3/bin:$PATH"

export JAVA_HOME="/my/path/to/jdk"
export PYTHON_PATH="/my/path/to/anaconda3/bin/python"
export PYSPARK_PYTHON="/my/path/to/anaconda3/bin/python"

export PATH=$PATH:/my/path/to/spark-2.1.0-bin-hadoop2.7/bin
export PYSPARK_DRIVER_PYTHON=jupyter
export PYSPARK_DRIVER_PYTHON_OPTS="notebook" pyspark
export SPARK_HOME=/my/path/to/spark-2.1.0-bin-hadoop2.7
alias pyspark="pyspark --conf spark.local.dir=/home/puifais --num-executors 30 --driver-memory 128g --executor-memory 6g --packages com.databricks:spark-csv_2.11:1.5.0"

当我输入时/my/path/to/spark-2.1.0-bin-hadoop2.7/bin/spark-shell，我可以在命令行 shell 中正常启动 Spark。并且输出sc不为空。它似乎运行良好。

当我输入时pyspark，它可以正常启动我的 Jupyter Notebook。当我创建一个新的 Python3 笔记本时，出现此错误：

[IPKernelApp] WARNING | Unknown error in handling PYTHONSTARTUP file /my/path/to/spark-2.1.0-bin-hadoop2.7/python/pyspark/shell.py:

sc我的 Jupyter Notebook 是空的。

有人能帮忙解决这种情况吗？

只是想澄清一下：错误末尾的冒号后面没有任何内容。我还尝试使用此帖子创建自己的启动文件，并在此引用，这样您就不必去那里查看了：

我创建了一个简短的初始化脚本 init_spark.py，如下所示：
from pyspark import SparkConf, SparkContext
conf = SparkConf().setMaster("yarn-client")
sc = SparkContext(conf = conf)
并将其放在 ~/.ipython/profile_default/startup/ 目录中

当我这样做时，错误变成了：

[IPKernelApp] WARNING | Unknown error in handling PYTHONSTARTUP file /my/path/to/spark-2.1.0-bin-hadoop2.7/python/pyspark/shell.py:
[IPKernelApp] WARNING | Unknown error in handling startup files:

解决方案 1：

好吧，看到像设置这样糟糕的黑客如何PYSPARK_DRIVER_PYTHON=jupyter被提升为“解决方案”并且现在倾向于成为标准做法，这确实让我很痛苦，尽管它们显然会导致糟糕的结果，例如输入pyspark并最终得到一个 Jupyter 笔记本而不是 PySpark shell，以及潜伏在下游的尚未看到的问题，例如当您尝试使用spark-submit上述设置时...... :(

（不要误会我的意思，这不是你的错，我也没有责怪你；我在 SO 上看到过几十篇帖子，其中提出、接受和赞成这个“解决方案”……）。

在撰写本文时（2017 年 12 月），只有一种正确的方法可以定制 Jupyter 笔记本以便与其他语言（此处为 PySpark）一起使用，这就是使用Jupyter 内核。

首先要做的是运行一个jupyter kernelspec list命令，获取机器中所有可用内核的列表；这是我的情况（Ubuntu）的结果：

$ jupyter kernelspec list
Available kernels:
  python2       /usr/lib/python2.7/site-packages/ipykernel/resources
  caffe         /usr/local/share/jupyter/kernels/caffe
  ir            /usr/local/share/jupyter/kernels/ir
  pyspark       /usr/local/share/jupyter/kernels/pyspark
  pyspark2      /usr/local/share/jupyter/kernels/pyspark2
  tensorflow    /usr/local/share/jupyter/kernels/tensorflow

第一个内核python2是 IPython 的“默认”内核（很有可能这是您系统中唯一的内核）；至于其余的，我还有 2 个 Python 内核（caffe& tensorflow）、一个 R 内核（ir）和两个 PySpark 内核，分别用于 Spark 1.6 和 Spark 2.0。

上面列表的条目是目录，每个目录包含一个名为的文件kernel.json。让我们看看我的内核的这个文件的内容pyspark2：

{
 "display_name": "PySpark (Spark 2.0)",
 "language": "python",
 "argv": [
  "/opt/intel/intelpython27/bin/python2",
  "-m",
  "ipykernel",
  "-f",
  "{connection_file}"
 ],
 "env": {
  "SPARK_HOME": "/home/ctsats/spark-2.0.0-bin-hadoop2.6",
  "PYTHONPATH": "/home/ctsats/spark-2.0.0-bin-hadoop2.6/python:/home/ctsats/spark-2.0.0-bin-hadoop2.6/python/lib/py4j-0.10.1-src.zip",
  "PYTHONSTARTUP": "/home/ctsats/spark-2.0.0-bin-hadoop2.6/python/pyspark/shell.py",
  "PYSPARK_PYTHON": "/opt/intel/intelpython27/bin/python2"
 }
}

我没有费心将我的详细信息更改为/my/path/to等，并且您已经可以看到我们的案例之间存在一些差异（我使用 Intel Python 2.7，而不是 Anaconda Python 3），但希望您明白我的想法（顺便说一句，不要担心connection_file- 我也不使用一个）。

现在，对您来说，最简单的方法是手动对上面显示的内核进行必要的更改（仅路径），并将其保存在.../jupyter/kernels目录的新子文件夹中（这样，如果您再次运行命令，它应该是可见的）。如果您认为这种方法也是一种黑客行为，那么，我同意您的观点，但这是Jupyter 文档（第 12 页）jupyter kernelspec list中推荐的方法：

但是，没有很好的方法来修改 kernelspecs。一种方法是jupyter kernelspec list找到kernel.json文件然后kernels/python3/kernel.json手动修改它。

如果您还没有.../jupyter/kernels文件夹，您仍然可以使用安装新内核jupyter kernelspec install- 还没有尝试过，但请查看这个 SO 答案。

最后，不要忘记从 bash 配置文件中删除所有与 PySpark 相关的环境变量（只保留SPARK_HOME应该就可以了）。并确认，当您键入时pyspark，您会发现自己拥有一个 PySpark shell，而不是 Jupyter 笔记本……

更新（评论后）：如果您想将命令行参数传递给 PySpark，您应该PYSPARK_SUBMIT_ARGS在下添加设置env；例如，这是我的 Spark 1.6.0 相应内核文件的最后一行，我们仍然必须使用外部 spark-csv 包来读取 CSV 文件：

"PYSPARK_SUBMIT_ARGS": "--master local --packages com.databricks:spark-csv_2.10:1.4.0 pyspark-shell"

解决方案 2：

Conda 可以帮助正确管理很多依赖项......

安装 spark。假设 spark 安装在 /opt/spark，请将其包含在您的 ~/.bashrc 中：

export SPARK_HOME=/opt/spark
export PATH=$SPARK_HOME/bin:$PATH

创建一个 conda 环境，其中包含除 spark 之外的所有必需依赖项：

conda create -n findspark-jupyter-openjdk8-py3 -c conda-forge python=3.5 jupyter=1.0 notebook=5.0 openjdk=8.0.144 findspark=1.1.0

激活环境

$ source activate findspark-jupyter-openjdk8-py3

启动 Jupyter Notebook 服务器：

$ jupyter notebook

在浏览器中，创建一个新的 Python3 笔记本

尝试使用以下脚本计算 PI（借用自此处）

import findspark
findspark.init()
import pyspark
import random
sc = pyspark.SparkContext(appName="Pi")
num_samples = 100000000
def inside(p):     
  x, y = random.random(), random.random()
  return x*x + y*y < 1
count = sc.parallelize(range(0, num_samples)).filter(inside).count()
pi = 4 * count / num_samples
print(pi)
sc.stop()