¿Cuál es la diferencia entre spark-submit y pyspark?
Si inicio pyspark y luego ejecuto este comando:
import my_script; spark = my_script.Sparker(sc); spark.collapse('./data/')
Todo está bien. Sin embargo, si trato de hacer lo mismo a través de la línea de comandos y envío de chispa, aparece un error:
Command: /usr/local/spark/bin/spark-submit my_script.py collapse ./data/
File "/usr/local/spark/python/pyspark/rdd.py", line 352, in func
return f(iterator)
File "/usr/local/spark/python/pyspark/rdd.py", line 1576, in combineLocally
merger.mergeValues(iterator)
File "/usr/local/spark/python/pyspark/shuffle.py", line 245, in mergeValues
for k, v in iterator:
File "/.../my_script.py", line 173, in _json_args_to_arr
js = cls._json(line)
RuntimeError: uninitialized staticmethod object
my_script:
...
if __name__ == "__main__":
args = sys.argv[1:]
if args[0] == 'collapse':
directory = args[1]
from pyspark import SparkContext
sc = SparkContext(appName="Collapse")
spark = Sparker(sc)
spark.collapse(directory)
sc.stop()
¿Por qué está pasando esto? ¿Cuál es la diferencia entre ejecutar pyspark y ejecutar spark-submit que causaría esta divergencia? ¿Y cómo puedo hacer que esto funcione en spark-submit?
EDITAR: intenté ejecutar esto desde el shell bash haciendopyspark my_script.py collapse ./data/
y recibí el mismo error. El único momento en que todo funciona es cuando estoy en un shell de Python e importo el script.