web-dev-qa-db-fra.com

erreur pyspark: AttributeError: l'objet 'SparkSession' n'a pas d'attribut 'paralléliser'

J'utilise pyspark sur le portable Jupyter. Voici comment Spark setup:

import findspark
findspark.init(spark_home='/home/edamame/spark/spark-2.0.0-bin-spark-2.0.0-bin-hadoop2.6-Hive', python_path='python2.7')

    import pyspark
    from pyspark.sql import *

    sc = pyspark.sql.SparkSession.builder.master("yarn-client").config("spark.executor.memory", "2g").config('spark.driver.memory', '1g').config('spark.driver.cores', '4').enableHiveSupport().getOrCreate()

    sqlContext = SQLContext(sc)

Alors quand je fais:

spark_df = sqlContext.createDataFrame(df_in)

où df_in est un pandas dataframe. J'ai ensuite les erreurs suivantes:

---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
<ipython-input-9-1db231ce21c9> in <module>()
----> 1 spark_df = sqlContext.createDataFrame(df_in)


/home/edamame/spark/spark-2.0.0-bin-spark-2.0.0-bin-hadoop2.6-Hive/python/pyspark/sql/context.pyc in createDataFrame(self, data, schema, samplingRatio)
    297         Py4JJavaError: ...
    298         """
--> 299         return self.sparkSession.createDataFrame(data, schema, samplingRatio)
    300 
    301     @since(1.3)

/home/edamame/spark/spark-2.0.0-bin-spark-2.0.0-bin-hadoop2.6-Hive/python/pyspark/sql/session.pyc in createDataFrame(self, data, schema, samplingRatio)
    520             rdd, schema = self._createFromRDD(data.map(prepare), schema, samplingRatio)
    521         else:
--> 522             rdd, schema = self._createFromLocal(map(prepare, data), schema)
    523         jrdd = self._jvm.SerDeUtil.toJavaArray(rdd._to_Java_object_rdd())
    524         jdf = self._jsparkSession.applySchemaToPythonRDD(jrdd.rdd(), schema.json())

/home/edamame/spark/spark-2.0.0-bin-spark-2.0.0-bin-hadoop2.6-Hive/python/pyspark/sql/session.pyc in _createFromLocal(self, data, schema)
    400         # convert python objects to sql data
    401         data = [schema.toInternal(row) for row in data]
--> 402         return self._sc.parallelize(data), schema
    403 
    404     @since(2.0)

AttributeError: 'SparkSession' object has no attribute 'parallelize'

Est-ce que quelqu'un sait ce que j'ai fait de mal? Merci!

pythonhadooppandasapache-sparkpyspark
12
Edamame

SparkSession ne remplace pas un SparkContext mais un équivalent de SQLContext. Utilisez-le simplement de la même manière que vous utilisiez SQLContext:

spark.createDataFrame(...)

et si vous devez accéder à SparkContext utilisez l'attribut sparkContext:

spark.sparkContext

donc si vous avez besoin de SQLContext pour la compatibilité descendante, vous pouvez:

SQLContext(sparkContext=spark.sparkContext, sparkSession=spark)
15
zero323