Я считаю, что /usr/bin/python3
не подбирая переменные окружения PYTHONHASHSEED
, которую вы определяете в кластерной конфигурации под spark-env
области.
Ты бы с помощью python34
вместо /usr/bin/python3
и установить конфигурацию как следует:
[
{
"classification":"spark-defaults",
"properties":{
// [...]
}
},
{
"configurations":[
{
"classification":"export",
"properties":{
"PYSPARK_PYTHON":"python34",
"PYTHONHASHSEED":"123"
}
}
],
"classification":"spark-env",
"properties":{
// [...]
}
}
]
Теперь, давайте проверим это.Я определяю Баш скрипт называют как python
S:
#!/bin/bash
echo "using python34"
for i in `seq 1 10`;
do
python -c "print(hash('foo'))";
done
echo "----------------------"
echo "using /usr/bin/python3"
for i in `seq 1 10`;
do
/usr/bin/python3 -c "print(hash('foo'))";
done
Приговор:
[[email protected] ~]$ bash test.sh
using python34
-4177197833195190597
-4177197833195190597
-4177197833195190597
-4177197833195190597
-4177197833195190597
-4177197833195190597
-4177197833195190597
-4177197833195190597
-4177197833195190597
-4177197833195190597
----------------------
using /usr/bin/python3
8867846273747294950
-7610044127871105351
6756286456855631480
-4541503224938367706
7326699722121877093
3336202789104553110
3462714165845110404
-5390125375246848302
-7753272571662122146
8018968546238984314
PS1: Я использую AMI релиз emr-4.8.2
.
PS2: Фрагмент, вдохновленный от this answer.
EDIT: Я проверил следующее, используя pyspark
.
16/11/22 07:16:56 INFO EventLoggingListener: Logging events to hdfs:///var/log/spark/apps/application_1479798580078_0001
16/11/22 07:16:56 INFO YarnClientSchedulerBackend: SchedulerBackend is ready for scheduling beginning after reached minRegisteredResourcesRatio: 0.8
Welcome to
____ __
/__/__ ___ _____/ /__
_\ \/ _ \/ _ `/ __/ '_/
/__/.__/\_,_/_/ /_/\_\ version 1.6.2
/_/
Using Python version 3.4.3 (default, Sep 1 2016 23:33:38)
SparkContext available as sc, HiveContext available as sqlContext.
>>> print(hash('foo'))
-2457967226571033580
>>> print(hash('foo'))
-2457967226571033580
>>> print(hash('foo'))
-2457967226571033580
>>> print(hash('foo'))
-2457967226571033580
>>> print(hash('foo'))
-2457967226571033580
также создал простое приложение (simple_app.py
):
from pyspark import SparkContext
sc = SparkContext(appName = "simple-app")
numbers = [hash('foo') for i in range(10)]
print(numbers)
Который также, кажется, работает отлично:
[[email protected]*** ~]$ spark-submit --master yarn simple_app.py
Output (укороченный):
[...]
16/11/22 07:28:42 INFO YarnClientSchedulerBackend: SchedulerBackend is ready for scheduling beginning after reached minRegisteredResourcesRatio: 0.8
[-5869373620241885594, -5869373620241885594, -5869373620241885594, -5869373620241885594, -5869373620241885594, -5869373620241885594, -5869373620241885594, -5869373620241885594, -5869373620241885594, -5869373620241885594] // THE RELEVANT LINE IS HERE.
16/11/22 07:28:42 INFO SparkContext: Invoking stop() from shutdown hook
[...]
As ты можешь см. также работает каждый раз, возвращая один и тот же хеш.
EDIT 2: Из комментариев, кажется, что вы пытаетесь вычислить хэш на исполнителях, а не водитель, таким образом, вам нужно настроить spark.executorEnv.PYTHONHASHSEED
, в конфигурации вашего приложения искровой так что он может быть размножен на исполнителей (это один из способов сделать это).
Примечание: Настройка переменной среды для исполнителей это то же самое с ПРЯЖЕЙ клиентом, используйте spark.executorEnv.[EnvironmentVariableName].
Таким образом, следующий минималистский пример с simple_app.py
:
from pyspark import SparkContext, SparkConf
conf = SparkConf().set("spark.executorEnv.PYTHONHASHSEED","123")
sc = SparkContext(appName="simple-app", conf=conf)
numbers = sc.parallelize(['foo']*10).map(lambda x: hash(x)).collect()
print(numbers)
А теперь давайте проверим его еще раз. Вот усеченный выход:
16/11/22 14:14:34 INFO DAGScheduler: Job 0 finished: collect at /home/hadoop/simple_app.py:6, took 14.251514 s
[-5869373620241885594, -5869373620241885594, -5869373620241885594, -5869373620241885594, -5869373620241885594, -5869373620241885594, -5869373620241885594, -5869373620241885594, -5869373620241885594, -5869373620241885594]
16/11/22 14:14:34 INFO SparkContext: Invoking stop() from shutdown hook
Я думаю, что это охватывает все.
Спасибо за ваш ответ, но, к сожалению, он не работает.Существует проблема с вашим скриптом, конфигурация только устанавливает версию искрового python как python34, оболочка «python» по умолчанию все еще указывает на Python2.x. Если вы замените python на/usr/bin/python34, вы будете видеть разные значения хэша каждый раз. –
Ваш пример по-прежнему выполняется только на узле драйвера в одном экземпляре Python. Если вы создаете параллельную коллекцию и запускаете ее через spark-submit, вы увидите разные значения хэша (или, по крайней мере, я делаю это для кластера из 3 узлов). Если вы замените строку «numbers = ...» на: numbers = sc.parallelize (['foo'] * 10) .map (lambda x: hash (x)). Collect() –
Спасибо, это замечательно решение и делает именно то, что мне нужно. –