python - 从Pyspark UDF调用另一个自定义Python函数

假设您有一个文件，我们称它为udfs.py并在其中：

def nested_f(x):
    return x + 1

def main_f(x):
    return nested_f(x) + 1

然后，您想使用main_f函数制作UDF并在数据帧上运行它：

import pyspark.sql.functions as fn
import pandas as pd

pdf = pd.DataFrame([[1], [2], [3]], columns=['x'])
df = spark.createDataFrame(pdf)

_udf = fn.udf(main_f, 'int')
df.withColumn('x1', _udf(df['x'])).show()

如果我们在与定义两个函数的位置相同的文件中进行此操作，则此操作正常（udfs.py）。但是，尝试从其他文件（例如main.py）执行此操作会产生错误ModuleNotFoundError: No module named ...：

...
import udfs

_udf = fn.udf(udfs.main_f, 'int')
df.withColumn('x1', _udf(df['x'])).show()

我注意到，如果我实际上将nested_f嵌套在main_f内，如下所示：

def main_f(x):
    def nested_f(x):
        return x + 1

    return nested_f(x) + 1

一切正常。但是，我的目标是将逻辑很好地分离成多个功能，也可以分别进行测试。

我认为可以通过使用udfs.py将spark.sparkContext.addPyFile('...udfs.py')文件（或整个压缩文件夹）提交给执行者来解决。然而：


我觉得这有点long（尤其是如果您需要压缩文件夹等...）
这并不总是容易/可能的（例如udfs.py可能正在使用许多其他模块，然后还需要提交其他模块，从而导致一些连锁反应...）
addPyFile还有其他一些不便之处（例如autoreload can stop working等）


所以问题是：有没有办法同时做所有这些事情：


将UDF的逻辑很好地拆分为多个Python函数
使用与定义逻辑所在位置不同的文件中的UDF
不需要使用addPyFile提交任何依赖项


奖励积分，以阐明其工作原理/为什么不起作用！

最佳答案

对于较小的（一个或两个本地文件）依赖项，可以使用--py-files并枚举它们，并具有更大或更多的依赖项-最好将其打包为zip或egg文件。

文件udfs.py：

def my_function(*args, **kwargs):
    # code

文件main.py：

from pyspark import SparkContext
from pyspark.sql import SparkSession
from pyspark.sql.functions import udf
from udfs import my_function

sc = SparkContext()
spark = SparkSession(sc)
my_udf = udf(my_function)

df = spark.createDataFrame([(1, "a"), (2, "b")])
df.withColumn("my_f", my_udf("..."))

运行：

pyspark --py-files /path/to/udfs.py
# or
spark-submit --py-files /path/to/udfs.py main.py

如果您编写了自己的Python模块或什至是第三方模块（不需要C编译），那么我个人需要使用geoip2，最好创建一个zip或egg文件。

# pip with -t install all modules and dependencies in directory `src`
pip install geoip2 -t ./src
# Or from local directory
pip install ./my_module -t ./src

# Best is
pip install -r requirements.txt -t ./src

# If you need add some additionals files
cp ./some_scripts/* ./src/

# And pack it
cd ./src
zip -r ../libs.zip .
cd ..

pyspark --py-files libs.zip
spark-submit --py-files libs.zip

在pyspark --master yarn的pyspark shell中使用--py-files（可能与其他非本地主选项）时要小心：

>>> import sys
>>> sys.path.insert(0, '/path/to/libs.zip')  # You can use relative path: .insert(0, 'libs.zip')
>>> import MyModule  # libs.zip/MyModule

编辑-关于如何在没有addPyFile ()和--py-files的执行程序上获取功能的问题的答案：

必须具有给定文件，该文件具有在单个执行程序上的功能。并可以通过PATH env到达。
因此，我可能会编写一个Python模块，然后将其安装在执行程序上并在环境中可用。