运行 来自 .egg 而不是 .py 的 PySpark 作业

Question

我正在尝试 运行 使用 Dataproc 的 PySpark 作业。与所有示例相比，唯一不同的是我想从 .egg 而不是 .py 文件提交作业。

为了在常规商品集群中提交 PySpark 作业，应该是这样的：

spark2-submit --master yarn \
    --driver-memory 20g \
    --deploy-mode client \
    --conf parquet.compression=SNAPPY \
    --jars spark-avro_2.11-3.2.0.jar \
    --py-files dummyproject-1_spark-py2.7.egg \
    dummyproject-1_spark-py2.7.egg#__main__.py "param1" "param2"

现在，我想提交完全相同的作业，但使用的是 Dataproc。 为了实现这一点，我使用以下命令：

gcloud dataproc jobs submit pyspark \
    file:///dummyproject-1_spark-py2.7.egg#__main__.py \
    --cluster=my-cluster-001 \
    --py-files=file:///dummyproject-1_spark-py2.7.egg

我得到的错误是：

Error: Cannot load main class from JAR file:/dummyproject-1_spark-py2.7.egg

值得一提的是，当我尝试 运行 使用 .py 文件的简单 PySpark 作业时，它工作正常。

有人可以告诉我，我怎样才能从 .egg 文件而不是 .py 文件中 运行 PySpark 作业？

Answer 1

看起来 gcloud dataproc 如何解析参数并使 Spark 尝试像 Java JAR 文件一样执行您的文件存在错误。解决方法是将 __main__.py 文件复制到 egg 文件之外，然后像这样独立执行。

gcloud dataproc jobs submit pyspark \
    --cluster=my-cluster-001 \
    --py-files=file:///dummyproject-1_spark-py2.7.egg \
    file:///__main__.py \