操作步驟

1. 可選：準(zhǔn)備運(yùn)行Python程序需要的虛擬環(huán)境。
   您可選擇直接下載本實(shí)踐的示例包python3.7使用；或通過如下步驟自主打包Python環(huán)境。
   1. 制作Docker鏡像。

      您可選擇直接下載本實(shí)踐的示例Dockerfile文件至本地或ECS；或在安裝了Docker環(huán)境的宿主機(jī)上新建一個(gè)Dockerfile文件。Dockerfile文件的內(nèi)容如下。

      FROM centos:centos7.9.2009
      RUN set -ex \
      # 預(yù)安裝所需組件。
      && yum install -y wget tar libffi-devel zlib-devel bzip2-devel openssl-devel ncurses-devel sqlite-devel readline-devel tk-devel gcc make initscripts zip\
      && wget https://www.python.org/ftp/python/3.7.0/Python-3.7.0.tgz \
      && tar -zxvf Python-3.7.0.tgz \
      && cd Python-3.7.0 \
      && ./configure prefix=/usr/local/python3 \
      && make \
      && make install \
      && make clean \
      && rm -rf /Python-3.7.0* \
      && yum install -y epel-release \
      && yum install -y python-pip
      # 設(shè)置默認(rèn)為python3。
      RUN set -ex \
      # 備份舊版本python。
      && mv /usr/bin/python /usr/bin/python27 \
      && mv /usr/bin/pip /usr/bin/pip-python27 \
      # 配置默認(rèn)為python3。
      && ln -s /usr/local/python3/bin/python3.7 /usr/bin/python \
      && ln -s /usr/local/python3/bin/pip3 /usr/bin/pip
      # 修復(fù)因修改python版本導(dǎo)致yum失效問題。
      RUN set -ex \
      && sed -i "s#/usr/bin/python#/usr/bin/python27#" /usr/bin/yum \
      && sed -i "s#/usr/bin/python#/usr/bin/python27#" /usr/libexec/urlgrabber-ext-down \
      && yum install -y deltarpm
      # 更新pip版本。
      RUN pip install --upgrade pip

   2. 構(gòu)建鏡像并運(yùn)行容器。
      在Dockerfile文件所在路徑下，執(zhí)行如下命令。

      sudo docker build -t python-centos:3.7 .
      sudo docker run -itd --name python3.7 python-centos:3.7

   3. 進(jìn)入安裝容器所需的Python依賴庫并打包Python環(huán)境。

      sudo docker exec -it  python3.7 bash
      
      pip install [所需依賴庫]
      # vi requirements.txt
      # pip install -r requirements.txt
      # numpy
      # pandas
      
      cd /usr/local/
      zip -r python3.7.zip python3/

   4. 拷貝容器中的Python環(huán)境到宿主機(jī)。

      # 在宿主機(jī)運(yùn)行命令將虛擬環(huán)境拷貝到宿主機(jī)。
      sudo docker cp python3.7:/usr/local/python3.7.zip .                         

2. 上傳虛擬環(huán)境。
   您可根據(jù)需要，選擇上傳Python虛擬環(huán)境至OSS或HDFS。

   說明 本實(shí)踐以上傳至HDFS示例。如果您選擇上傳至OSS，操作詳情請(qǐng)參見上傳文件。

   上傳Python環(huán)境至HDFS命令如下。

   # 上傳至HDFS中。
   hdfs dfs -copyFromLocal python3.7.zip /tmp/pyspark                          

3. 測(cè)試并上傳Python代碼。
   1. 您可在本地或ECS中創(chuàng)建一個(gè)py文件，按照下述方法測(cè)試Python代碼是否正確。本實(shí)踐示例使用pyspark_test.py文件測(cè)試。

      # -*- coding: utf-8 -*-
      
      import os
      from pyspark.sql import SparkSession
      
      def noop(x):
          import socket
          import sys
          host = socket.gethostname() + ' '.join(sys.path) + ' '.join(os.environ)
          print('host: ' + host)
          print('PYTHONPATH: ' + os.environ['PYTHONPATH'])
          print('PWD: ' + os.environ['PWD'])
          print(os.listdir('.'))
          return host
      
      
      if __name__ == '__main__':
      
          spark = SparkSession \
              .builder \
              .appName("test_pyspark") \
              .enableHiveSupport() \
              .getOrCreate()
      
          sc = spark.sparkContext
          # 驗(yàn)證系統(tǒng)當(dāng)前環(huán)境變量。
          rdd = sc.parallelize(range(10), 2)
          hosts = rdd.map(noop).distinct().collect()
          print(hosts)
      
          # 驗(yàn)證UDF。
          # https://docs.databricks.com/spark/latest/spark-sql/udf-python.html#
          # spark.udf.register("udf_squared", udf_squared)
          # spark.udf.register("udf_numpy", udf_numpy)
      
          tableName = "store"
          df = spark.sql("""select count(*) from %s """ % tableName)
          print("rdf count, %s\n" % df.count())
          df.show()

   2. 上傳Python代碼至HDFS中。
      參考如下命令，在EMR實(shí)例中上傳Python代碼至HDFS。

      說明 本實(shí)踐以上傳至HDFS示例。如果您選擇上傳至OSS，操作詳情請(qǐng)參見上傳文件。

      hdfs dfs -copyFromLocal pyspark_test.py /tmp/pyspark

4. 在DataWorks中通過spark-submit命令提交作業(yè)。
   在創(chuàng)建的EMR Spark節(jié)點(diǎn)中，使用如下命令提交作業(yè)。

   說明 如果您選擇上傳Python代碼至OSS，則需替換為實(shí)際使用的OSS路徑。

   spark-submit --master yarn \
   --deploy-mode cluster \
   --conf spark.yarn.appMasterEnv.PYSPARK_PYTHON=./PYTHONENV/python3/bin/python3.7 \
   --conf spark.executorEnv.PYTHONPATH=. \
   --conf spark.yarn.appMasterEnv.PYTHONPATH=. \
   --conf spark.yarn.appMasterEnv.JOBOWNER=LiuYuQuan \
   --archives hdfs://hdfs-cluster/tmp/pyspark/python3.7.zip#PYTHONENV \
   ## --py-files hdfs://hdfs-cluster/tmp/pyspark/mc_pyspark-0.1.0-py3-none-any.zip \
   --driver-memory 4g \
   --driver-cores 1 \
   --executor-memory 4g \
   --executor-cores 1 \
   --num-executors 3 \
   --name TestPySpark \
   hdfs://hdfs-cluster/tmp/pyspark/pyspark_test.py