背景信息

Conda是一個跨平臺的包管理和環(huán)境管理系統(tǒng)，它允許用戶輕松創(chuàng)建、保存、加載和切換多個環(huán)境，每個環(huán)境都可以擁有獨立的Python版本和庫依賴。PEX (Python EXecutable) 是一個工具，它可以將Python應用及其所有依賴打包進一個可執(zhí)行文件中。

前提條件

• 已創(chuàng)建一臺使用Alibaba Cloud Linux 3系統(tǒng)，且開啟公網(wǎng)的ECS實例，詳情請參見自定義購買實例。

  說明

  如果您在EMR on ECS頁面已有的EMR集群中有空閑節(jié)點，也可以直接利用這些空閑節(jié)點。

• 已創(chuàng)建工作空間，詳情請參見創(chuàng)建工作空間。

使用限制

已安裝Python 3.8及以上版本。本文以Python 3.8為例介紹。

使用Conda

步驟一：Conda環(huán)境構建與部署

1. 通過以下命令安裝Miniconda。

   wget https://repo.continuum.io/miniconda/Miniconda3-latest-Linux-x86_64.sh
   chmod +x Miniconda3-latest-Linux-x86_64.sh
   
   ./Miniconda3-latest-Linux-x86_64.sh -b
   source miniconda3/bin/activate

2. 構建使用Python 3.8和numpy的Conda環(huán)境。

   conda create -y -n pyspark_conda_env -c conda-forge conda-pack numpy python=3.8
   conda activate pyspark_conda_env
   conda pack -f -o pyspark_conda_env.tar.gz

步驟二：上傳資源文件至OSS

1. 單擊kmeans.py和kmeans_data.txt，下載所需資源文件。

   您也可以創(chuàng)建示例腳本kmeans.py和數(shù)據(jù)文件kmeans_data.txt，內(nèi)容如下所示。

   kmeans.py

   """
   A K-means clustering program using MLlib.
   
   This example requires NumPy (http://www.numpy.org/).
   """
   import sys
   
   import numpy as np
   from pyspark import SparkContext
   from pyspark.mllib.clustering import KMeans
   
   
   def parseVector(line):
       return np.array([float(x) for x in line.split(' ')])
   
   
   if __name__ == "__main__":
       if len(sys.argv) != 3:
           print("Usage: kmeans <file> <k>", file=sys.stderr)
           sys.exit(-1)
       sc = SparkContext(appName="KMeans")
       lines = sc.textFile(sys.argv[1])
       data = lines.map(parseVector)
       k = int(sys.argv[2])
       model = KMeans.train(data, k)
       print("Final centers: " + str(model.clusterCenters))
       print("Total Cost: " + str(model.computeCost(data)))
       sc.stop()

   kmeans_data.txt

   0.0 0.0 0.0
   0.1 0.1 0.1
   0.2 0.2 0.2
   9.0 9.0 9.0
   9.1 9.1 9.1
   9.2 9.2 9.2

2. 上傳pyspark_conda_env.tar.gz、kmeans.py和kmeans_data.txt至OSS，上傳操作可以參見簡單上傳。

步驟三：開發(fā)并運行任務

1. 在EMR Serverless Spark頁面，單擊左側(cè)的數(shù)據(jù)開發(fā)。

2. 單擊新建。

3. 輸入名稱，類型選擇Application（批任務） > PySpark，單擊確定。

4. 在右上角選擇隊列。

5. 在新建的開發(fā)頁簽中，配置以下信息，其余參數(shù)無需配置，然后單擊運行。

   參數(shù)	說明
   主Python資源	選擇OSS資源，填寫您上傳kmeans.py至OSS的路徑。例如，oss://<yourBucketName>/kmeans.py。
   運行參數(shù)	填寫數(shù)據(jù)文件kmeans_data.txt上傳到OSS的路徑。 填寫格式為oss://<yourBucketName>/kmeans_data.txt 2。
   archives資源	選擇OSS資源，填寫您上傳pyspark_conda_env.tar.gz至OSS的路徑。 填寫格式為：oss://<yourBucketName>/pyspark_conda_env.tar.gz#condaenv。
   Spark配置	spark.pyspark.driver.python ./condaenv/bin/python spark.pyspark.python ./condaenv/bin/python

6. 運行任務后，在下方的運行記錄區(qū)域，單擊任務操作列的詳情。

7. 在任務歷史中的開發(fā)任務頁面，您可以查看相關的日志信息。

   

使用PEX

相關文檔

本文以PySpark開發(fā)為例，如果您想通過其他方式進行開發(fā)，可以參見Application開發(fā)。