Pyspark --PY-files ne fonctionne pas

j'ai utiliser ce document suggère http://spark.apache.org/docs/1.1.1/submitting-applications.html

spsark version 1.1.0

./spark/bin/spark-submit --py-files /home/hadoop/loganalysis/parser-src.zip 
/home/hadoop/loganalysis/ship-test.py 

et conf dans le code :

conf = (SparkConf()
        .setMaster("yarn-client")
        .setAppName("LogAnalysis")
        .set("spark.executor.memory", "1g")
        .set("spark.executor.cores", "4")
        .set("spark.executor.num", "2")
        .set("spark.driver.memory", "4g")
        .set("spark.kryoserializer.buffer.mb", "128"))

et nœud esclave se plaindre ImportError

14/12/25 05:09:53 WARN scheduler.TaskSetManager: Lost task 0.0 in stage 0.0 (TID 0, ip-172-31-10-8.cn-north-1.compute.internal): org.apache.spark.api.python.PythonException: Traceback (most recent call last):
  File "/home/hadoop/spark/python/pyspark/worker.py", line 75, in main
    command = pickleSer._read_with_length(infile)
  File "/home/hadoop/spark/python/pyspark/serializers.py", line 150, in _read_with_length
    return self.loads(obj)
ImportError: No module named parser

et parser-src.zip est testé localement.

[hadoop@ip-172-31-10-231 ~]$ python
Python 2.7.8 (default, Nov  3 2014, 10:17:30) 
[GCC 4.8.2 20140120 (Red Hat 4.8.2-16)] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> import sys
>>> sys.path.insert(1, '/home/hadoop/loganalysis/parser-src.zip')
>>> from parser import parser
>>> parser.parse
<function parse at 0x7fa5ef4c9848>
>>> 

j'essaie d'obtenir des informations sur le travailleur à distance. voir s'il a copié les fichiers.ce que le sys.chemin ressemble..et c'est délicat.

mise à jour: J'ai trouvé que le fichier zip a été envoyé. et sys.le chemin a été tracé. toujours à l'importation d'erreur.

data = list(range(4))
disdata = sc.parallelize(data)
result = disdata.map(lambda x: "sys.path:  {0}nDIR: {1}   n FILES: {2} n parser: {3}".format(sys.path, os.getcwd(), os.listdir('.'), str(parser)))
result.collect()
print(result.take(4))

il semble que je doive creuser dans cloudpickle.ce qui veut dire que j'ai besoin de comprendre comment cloudpickle fonctionne et échoue en premier.

: An error occurred while calling o40.collect.
: org.apache.spark.SparkException: Job aborted due to stage failure: Task 4 in stage 0.0 failed 4 times, most recent failure: Lost task 4.3 in stage 0.0 (TID 23, ip-172-31-10-8.cn-north-1.compute.internal): org.apache.spark.api.python.PythonException: Traceback (most recent call last):
  File "/home/hadoop/spark/python/pyspark/worker.py", line 75, in main
    command = pickleSer._read_with_length(infile)
  File "/home/hadoop/spark/python/pyspark/serializers.py", line 150, in _read_with_length
    return self.loads(obj)
  File "/home/hadoop/spark/python/pyspark/cloudpickle.py", line 811, in subimport
    __import__(name)
ImportError: ('No module named parser', <function subimport at 0x7f219ffad7d0>, ('parser.parser',))

mise à jour:

quelqu'un rencontre le même problème dans spark 0.8 http://apache-spark-user-list.1001560.n3.nabble.com/pyspark-Importing-other-py-files-in-PYTHONPATH-td2301.html

mais il a mis sa lib dans Python dist-packages et importer des travaux. que j'ai essayé et toujours obtenir de l'erreur d'importation.

mise à jour:

OH.jaillir.. Je pense que le problème est causé par le fait de ne pas comprendre le fichier zip et le comportement d'importation de python..Je passe parser.py --py-files, il travaille, se plaignent d'une autre dépendance. et zip seulement le .py fichiers [non compris .pyc] semble fonctionner aussi.

Mais je ne comprenais pas pourquoi.