我的pyspark版本是2.2.0。我遇到了一个奇怪的问题。我试着把它简化为以下几点。文件结构:
|root
|-- cast_to_float.py
|-- tests
|-- test.py
在cast_to_float.py
中,我的代码:
from pyspark.sql.types import FloatType
from pyspark.sql.functions import udf
def cast_to_float(y, column_name):
return y.withColumn(column_name, y[column_name].cast(FloatType()))
def cast_to_float_1(y, column_name):
to_float = udf(cast2float1, FloatType())
return y.withColumn(column_name, to_float(column_name))
def cast2float1(a):
return 1.0
在test.py
中:
from pyspark.sql import SparkSession
import os
import sys
parentPath = os.path.abspath('..')
if parentPath not in sys.path:
sys.path.insert(0, parentPath)
from cast_to_float import *
spark = SparkSession.builder.appName("tests").getOrCreate()
df = spark.createDataFrame([
(1, 1),
(2, 2),
(3, 3),
], ["ID", "VALUE"])
df1 = cast_to_float(df, 'ID')
df2 = cast_to_float_1(df, 'ID')
df1.show()
df1.printSchema()
df2.printSchema()
df2.show()
然后我在tests文件夹中运行测试,得到错误消息,它来自最后一行,说:
+---+-----+
| ID|VALUE|
+---+-----+
|1.0| 1|
|2.0| 2|
|3.0| 3|
+---+-----+
root
|-- ID: float (nullable = true)
|-- VALUE: long (nullable = true)
root
|-- ID: float (nullable = true)
|-- VALUE: long (nullable = true)
Py4JJavaError Traceback (most recent call last)
<ipython-input-4-86eb5df2f917> in <module>()
19 df1.printSchema()
20 df2.printSchema()
---> 21 df2.show()
...
Py4JJavaError: An error occurred while calling o257.showString.
...
ModuleNotFoundError: No module named 'cast_to_float'
...
好像cast_to_float
是导入的,否则,我连df1
都得不到。
如果我将test.py
放在cast_to_float.py
的同一目录中,并在该目录中运行它,那么就可以了。有什么想法吗?谢谢!
我使用@user8371915__file__
方法,发现如果在root
文件夹中运行它就可以了。
现在,结果将取决于调用脚本的工作目录。
如果你是根目录,这将添加它的父目录。您应该使用相对于
__file__
的路径(请参见what does the __file__ variable mean/do?):但我建议使用适当的包结构。
注意:
这仅涵盖本地模式和驱动程序路径,即使在本地模式下,工作程序路径也不受驱动程序路径的影响。
若要处理执行器路径(更改后会出现执行器异常),仍应将模块分发给工作进程How to use custom classes with Apache Spark (pyspark)?。
相关问题 更多 >
编程相关推荐