如何在spark中使用scikit-learn和tensorflow等第三方python包

1 打包需要的python包

首先我们用conda包管理工具对我们需要的python包进行虚拟环境创建：

conda create -n python37 --copy -y -q python=3.7 --prefix /your/workspace/path scikit-learn tensorflow
1

下面是对每个参数的解释(😁这里让chatgpt给出的解释，自己就不手打了😊）

conda create: 这是创建Conda环境的命令。

-n python37: -n参数后跟着你想要创建的环境的名称，这里是python37。你可以将环境名称替换为你喜欢的名称。

–copy: 这个选项指示Conda在创建环境时复制现有系统Python中的库。这有助于确保环境中包含与系统Python相同的库，以避免潜在的问题。

-y: 这个选项用于自动确认环境的创建，而不需要手动确认。

-q: 这个选项用于减少命令的输出，即以静默模式运行。

python=3.7: 这是要在环境中安装的Python版本的规范。在这个示例中，它指定要安装Python 3.7。

–prefix: 环境的安装位置

scikit-learn: 这是一个Python机器学习库，它会在新环境中安装。

tensorflow: 这是深度学习框架TensorFlow，也会在新环境中安装。

这个命令的目的是创建一个名为python37的Conda环境，将其中的Python版本设置为3.7，同时在环境中安装了scikit-learn和tensorflow软件包（后面可以放更多我们想要使用的python包），以便在该环境中进行机器学习和深度学习的开发和实验。环境名称、Python版本和要安装的软件包可以根据你的需求进行修改。
然后我们将生成的python环境进行压缩打包：

zip -r python37.zip /your/workspach/path/python37
1

2 修改spark配置文件

--archives /your/path/python37.zip#python37
--conf spark.yarn.appMasterEnv.PYSPARK_PYTHON=./python37/python37/bin/python3.7 \
1
2

–archives /your/path/python37.zip#python37：
–archives参数用于在Spark应用程序运行期间将本地压缩档案文件解压到YARN集群节点上。
/your/path/python37.zip 是包含Python环境的压缩文件的本地文件路径。
#python37 是为档案文件定义的别名，这将在Spark应用程序中使用。
这个参数的目的是将名为python37.zip的压缩文件解压到YARN集群节点，并将其路径设置为python37，以供Spark应用程序使用。这通常用于指定特定版本的Python环境，以便在Spark任务中使用。
–conf spark.yarn.appMasterEnv.PYSPARK_PYTHON=./python37/python37/bin/python3.7：
–conf参数用于设置Spark配置属性。
spark.yarn.appMasterEnv.PYSPARK_PYTHON 是一个Spark配置属性，它指定了YARN应用程序的主节点（ApplicationMaster）使用的Python解释器。
./python37/python37/bin/python3.7 是实际Python解释器的路径，它将在YARN应用程序的主节点上执行。
这个参数的目的是告诉Spark应用程序在YARN的主节点上使用特定的Python解释器，即./python37/python37/bin/python3.7。这通常用于确保Spark应用程序使用正确的Python版本和环境来运行任务。

😁😁😁😁😁😁😁😁😁😁😁😁😁😁😁😁😁😁😁😁😁😁😁😁😁😁😁😁😁
再宣传下这个方法是我们在用pyspark使用外部包的绝佳好方案