pyspark错误：AttributeError: 'SparkSession'对象没有属性'parallelize'

Question

我正在Jupyter笔记本上使用pyspark。以下是Spark的设置方式：

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)

然后当我执行：

spark_df = sqlContext.createDataFrame(df_in)

其中df_in是一个Pandas数据框。然后我得到了以下错误：

---------------------------------------------------------------------------
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'

有人知道我做错了什么吗？谢谢！

- Edamame

Answer 1

SparkSession 不是 SparkContext 的替代品，而是 SQLContext 的等价物。只需像使用 SQLContext 一样使用即可：

spark.createDataFrame(...)

如果您需要访问SparkContext，请使用sparkContext属性：

spark.sparkContext

所以，如果您需要向后兼容的SQLContext，您可以：

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

- zero323

---

我尝试了：spark_df = sc.createDataFrame(df_in)，但是spark_df似乎已经损坏了。在这里，spark_df = sc.createDataFrame(df_in)是正确的转换方式吗？ - Edamame

只有当df_in是createDataFrame的有效参数时。 - zero323

df_in 是一个 pandas 数据框。我以为它应该是有效的？ - Edamame

Answer 2

无论何时我们试图从一个向后兼容的对象（如RDD或由Spark Session创建的数据框）创建数据框，您需要让您的SQL上下文意识到您的会话和上下文。

例如：

如果我创建一个RDD：

ss=SparkSession.builder.appName("vivek").master('local').config("k1","vi").getOrCreate()

rdd=ss.sparkContext.parallelize([('Alex',21),('Bob',44)])

但是如果我们想要从这个RDD创建一个DataFrame，我们需要：

sq = SQLContext(sparkContext=ss.sparkContext, sparkSession=ss)

只有这样，我们才能使用SQLContext和由pandas创建的RDD / DF。

schema = StructType([
   StructField("name", StringType(), True),
   StructField("age", IntegerType(), True)])
df=sq.createDataFrame(rdd,schema)
df.collect()

- Reeves