PySpark 优雅的解决依赖包管理

背景

平台所有的Spark任务都是采用Spark on yarn cluster的模式进行任务提交的，driver和executor随机分配在集群的各个节点，pySpark 由于python语言的性质，所以pySpark项目的依赖注定不能像java/scala项目那样把依赖打进jar包中轻松解决问题。所以本文主要目标就是解决pySpark在分布式的情况下，如何优雅的解决项目中的依赖问题，目前总结出如下三种办法供大家使用。

1、Nodemanager节点直接安装依赖

使用pip install 或者conda install 在每台nodemanager上安装所需依赖。
这个方法是最简单也是最优先能解决pySpark依赖的方法，但是缺点也十分明显。

优点： 操作简单，易上手，能快速解决依赖问题
缺点：1、每台nodemanager都需要安装依赖，并且未来新加入nodemanager的机器也需要安装依赖。如果未来新节点忘记安装就会导致失败。
2、直接在服务器上安装未经测试过得版本极有可能导致已经安装的python依赖与新依赖包冲突，导致大数据任务执行失败。对环境是一种污染和侵入。
适用范围：集群规模不大，用的人少，影响范围可控，想快速解决问题

2、Python zip项⽬

1. pip freeze >requirements.txt
   将本地的pip依赖写⼊到requirements.txt⽂件中，根据⾃⼰情况进⾏增删改。
2. pip install -r requirements.txt --target ${PROJECT_NAME}
   将依赖打⼊到项⽬当中，main⽅法和依赖要平级
3. python -m zipapp ${PROJECT_NAME} -m “main:main”
   打包出⼀个.pyz⽂件
4. mv ${PROJECT_NAME}.pyz ${PROJECT_NAME}.zip
   spark不仅支持提交单个.py文件执行，还支持提交整个zip包来执行，其中zip包中就包含了你所需要的简单依赖。

优点：引入的依赖简洁明了，并且调试起来也比较方便，毕竟打包时间快，方便提交任务，也不需要额外的任务。
缺点：不能控制python版本，用的python版本都是nodemanager上的python版本。
适用范围：引入的依赖不多，项目极小的情况下，并且不考虑依赖的复用。

3、Spark使⽤独⽴的Python虚拟环境提交任务

1、创建python的虚拟环境

1. 搭建annaconda或找⼀台有annaconda环境的机器
2. 创建虚拟环境，名字为sparkenv，包含模块pandas

conda create --name sparkenv --copy python=3.6.7（版本根据实际情况更改）
1

⽣成的⽬录在⽂件夹

/opt/anaconda2/envs/sparkenv
1

使⽤pip安装所需依赖

/opt/anaconda2/envs/sparkenv/bin/pip install ****=**
1

3. 压缩成zip⽂件

1 cd /opt/anaconda2/envs/sparkenv
2 zip -r -q sparkenv.zip *
1
2

4. 将sparkenv.zip⽂件上传⾄hdfs（一般都是放在hdfs的），如

hadoop fs -put /tmp/aaa/sparkenv.zip
1

2、任务配置Spark参数

1. 配置[⾃定义配置]

 --archives hdfs:///tmp/aaa/sparkenv.zip#test-sparkenv
1

这个配置加在spark -submit命令后就行。

2. 配置[Spark Conf 配置]

1 spark.yarn.appMasterEnv.PYSPARK_PYTHON=test-sparkenv/bin/python3.6
2 spark.yarn.appMasterEnv.PYSPARK_DRIVER_PYTHON=test-sparkenv/bin/python3.6
3 spark.executorEnv.PYSPARK_PYTHON=test-sparkenv/bin/python3.6
4 spark.executorEnv.PYSPARK_DRIVER_PYTHON=test-sparkenv/bin/python3.6
1
2
3
4

上面这四个分别用–conf引入
比如 --conf spark.yarn.appMasterEnv.PYSPARK_PYTHON=test-sparkenv/bin/python3.6

优点：独立的python环境，想用什么版本的自己决定。基于业务的独立依赖包闭环，低依赖冲突风险。可实现依赖复用，多部门共用虚拟环境。
缺点：包很大，不论是上传包还是调试都非常麻烦。
适用环境：需要使⽤不⽤于服务器的python版本；并且引⼊的依赖错综复杂的场景，适合中大型的pySpark项目。