我试图提交一个作业,使用python文件zip的GCS uri(通过——py-files参数)和python文件名作为PY_FILE参数值。这似乎并不奏效。我需要为PY_FILE值提供一些相对路径吗?PY_FILE也包含在zip文件中。例如在
gcloud beta dataproc jobs submit pyspark --cluster clustername --py-files gcsuriofzip PY_FILE
PY_FILE的值应该是多少?
这是个好问题。为了回答这个问题,我将使用PySpark wordcount示例。
在这种情况下,我创建了两个文件,一个名为test.py
,这是我想要执行的文件,另一个名为wordcount.py.zip
,这是一个包含修改的 wordcount.py
文件的zip,旨在模拟我想要调用的模块。
我的test.py
文件看起来像这样:
import wordcount
import sys
if __name__ == "__main__":
wordcount.wctest(sys.argv[1])
我修改了wordcount.py
文件,删除了main方法,并添加了一个命名方法:
...
from pyspark import SparkContext
...
def wctest(path):
sc = SparkContext(appName="PythonWordCount")
...
我可以通过使用以下gcloud
命令在Dataproc上调用整个东西:
gcloud beta dataproc jobs submit pyspark --cluster <cluster-name>
--py-files gs://<bucket>/wordcount.py.zip gs://<bucket>/test.py
gs://<bucket>/input/input.txt
在本例中,<bucket>
是我的桶的名称(或路径),<cluster-name>
是我的Dataproc集群的名称。