从.egg而不是.py运行PySpark作业

Question

我正在尝试使用Dataproc运行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，可以是：

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工作，但使用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：

错误：无法从JAR文件加载主类：/dummyproject-1_spark-py2.7.egg

值得一提的是，当我尝试使用.py文件运行简单的PySpark作业时，它正常工作。

有人可以告诉我，如何从.egg文件而不是.py文件运行PySpark作业？

Answer 1

看起来有一个关于gcloud dataproc如何解析参数并使Spark尝试像Java JAR文件一样执行文件的错误。解决方法是将您的__main__.py文件复制到egg文件之外，并像这样独立执行。

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