Spark集群，多个版本Python/Python Package管理

文章转载自：http://blog.youkuaiyun.com/gongbi917/article/details/52369025

仅用于个人学习备忘收藏，转载请注明原文地址

进年来，越来越多的数据科学家、分析人员、数据工程师运用Python语言进行数据分析和机器学习。Spark在0.7版本开始支持Python语言(PySpark)。 
相比于Scala/Java, Python语言更适合互动的探索性分析，拥有内置的图形化工具以及丰富的机器学习库。Scala/Java的优势在于平台独立，代码和第三方库易于打包到Jar文件，更好的执行效率。当我们使用PySpark时则会失去以上优势，尤其是在集群环境管理不同的Python版本和第三方库。

具体问题：

1. 不同的数据分析人员/开发团队需要不同版本的Python版本执行PySpark。
2. 同一Python版本下，需要安装多个Python库，甚至需要不同版本的库。

针对问题2的一个解决办法是将Python依赖库打包成*.egg文件，在运行pyspark或者spark-submit时使用–py-files加载egg文件。此解决方案的问题在于许多Python库都包含native code，编译时对平台依赖，并且对于一些复杂依赖的库（如Pandas），编译失败。 
如果不使用*.egg文件，则需要安装不同Python版本极其所需库在集群中的每一台机器，然后在运行Spark时指定所需Python的路径。

---

解决方案

使用Anaconda管理多个Python环境在集群中的每一个节点 
1. Anaconda 安装 https://www.continuum.io

wget http://repo.continuum.io/archive/Anaconda3-4.1.1-Linux-x86_64.sh
bash Anaconda3-4.1.1-Linux-x86_64.sh -b -p /opt/anaconda
 
1
2

（此安装包默认为python3.5, 注意anaconda在每个节点的安装路径需要一致） 
2. 创建多个Anaconda Python环境 
创建，每行命令最后的参数anaconda是指定安装所有anaconda python package

/opt/anaconda/bin/conda create -n py34 python=3.4 anaconda
/opt/anaconda/bin/conda create -n py27a python=2.7 anaconda
 
1
2

复制anaconda环境, 并在此环境中安装python thrift package

/opt/anaconda/bin/conda create -n py27b --clone py27a
 
1

使用指定的Python环境运行Spark 
Client Mode: PYSPARK_PYTHON = /opt/anaconda/bin/conda/py27b/python 
Cluster Mode: spark.yarn.appMasterEnv.PYSPARK_PYTHON = /opt/anaconda/bin/conda/py27b/python

设置Spark默认Python环境 
修改spark-env.sh

if [ -z "${PYSPARK_PYTHON}" ]; then
export PYSPARK_PYTHON=/opt/anaconda3/bin/python
fi