在 Google Cloud Dataproc 上安装 pyspark 导致“搜索时找不到有效的 SPARK_HOME ['/tmp', '/usr/local/bin']”答案

【问题标题】：Install pyspark on Google cloud Dataproc cause "could not find valid SPARK_HOME while searching['/tmp', '/usr/local/bin']"在 Google Cloud Dataproc 上安装 pyspark 导致“搜索时找不到有效的 SPARK_HOME ['/tmp', '/usr/local/bin']”
【发布时间】：2018-10-08 20:30:18
【问题描述】：

我使用 Google Cloud Dataproc 创建了一个集群。我可以很好地向集群提交工作，直到我这样做

pip3 安装 pyspark

在集群上。之后，每次我尝试提交作业时，都会收到错误消息：

搜索['/tmp'时找不到有效的SPARK_HOME， '/usr/local/bin']
/usr/local/bin/spark-submit：第 27 行：/bin/spark-class：没有这样的文件或目录

我注意到即使在安装 pyspark 之前，SPARK_HOME 也没有设置任何值。但是我可以很好地提交工作。我想知道为什么安装 pyspark 会导致这个问题以及如何解决它？

【问题讨论】：

如果提交作业成功运行，那么为什么要安装 pyspark 呢？您的手动安装与配置的 pyspark 冲突
@RameshMaharjan 是的...我刚刚意识到，我尝试安装 pyspark，因为当我在那里运行 python shell 并且它没有 pyspark 模块。现在我正在重新创建我的集群，看看它是否会成功。
祝你好运。 stackoverflow.com/questions/44248567/… 应该可以帮助你；）

标签： apache-spark pyspark pip google-cloud-platform google-cloud-dataproc

【解决方案1】：

Pyspark 已预安装在 Dataproc 上 - 您应该调用 pyspark 命令而不是 python。目前，尝试 pip install pyspark 或 py4j 会破坏 Dataproc 上的 pyspark。您还需要注意不要 pip 安装任何依赖于 pyspark/py4j 的软件包。我们知道这个问题:)

如果您只是想切换到 Python 3，目前最简单的方法是在创建集群时运行 miniconda 初始化操作：https://github.com/GoogleCloudPlatform/dataproc-initialization-actions/blob/master/conda/。该初始化操作还允许您方便地指定要安装的额外 pip 或 conda 包。

我们也知道 pyspark 不在 python 解释器的 PYTHONPATH 上。现在，如果您想运行 pyspark 代码，请使用 pyspark 命令。请注意，pyspark 命令源自 /etc/spark/conf/spark-env.sh，如果您想在 python shell 中运行 import pyspark，则必须手动执行此操作。

附注：与其通过 SSH 进入集群并运行 pyspark，不如考虑从您的工作站运行 gcloud dataproc jobs submit pyspark (docs) 或使用 Jupyter notebook。

【讨论】：

【解决方案2】：

brew 安装 apache-spark 实际上已经提供了一个工作 pyspark shell。没有必要额外点安装 pyspark

【讨论】：