从散景服务器运行 Spark？

Question

bokeh 服务器允许用户在回调时执行几乎任何 python 代码。

我想知道它是否也可以用来运行 Spark 作业。

到目前为止，我在这里（Best Practice to launch Spark Applications via Web Application?）找到了一些想法，但我不确定。

为了更具体一点：

1. Bokeh 服务器是一个带有 2 个按钮的 Web 应用程序。
2. 如果单击按钮 1，则触发要执行的作业 1（例如数据集 1 上的词频）并在页面上显示一些结果数据。
3. 如果单击按钮 2，则触发要执行的作业 2（例如数据集 2 上的词频）并在页面上显示一些结果数据。

Answer 1

我知道这个帖子太老了，但我最近也有同样的问题。

我让 Spark 在我的散景应用中运行。我所做的不是生产级部署，但它确实有效，让人们自助服务。需要注意的几件事使它对我有用：

1. 我需要实例化 Spark，以便具有自己的散景会​​话的不同用户可以正确访问 spark
2. 我将回调设为非阻塞，以便用户可以在他们的 spark 作业运行时继续交互
   1. 我还非常粗略地显示了 spark 作业的状态（还有很多不足之处）

这是我的散景服务器main.py 的简化视图（它是开源的，您可以在此处查看 - https://github.com/mozilla/overscripted-explorer/blob/22feeedaf655bd7058331a5217900b0d2f41448b/text_search/main.py）

实例化火花。 getOrCreate 在这里很重要：

from pyspark import SparkContext, SQLContext

sc = SparkContext.getOrCreate()
spark = SQLContext(sc)

....

def do_spark_computation():
    ....
    df = spark.read.parquet(DATA_FILE)
    frac = sample_frac.value / 100  # sample_frac is a bokeh widget
    sample = df.sample(False, frac)
    ....

....

对于非阻塞，我从散景文档中抄袭了这个例子：https://docs.bokeh.org/en/latest/docs/user_guide/server.html#updating-from-unlocked-callbacks

from concurrent.futures import ThreadPoolExecutor
from functools import partial    

from bokeh.document import without_document_lock
from bokeh.io import curdoc
from tornado.gen import coroutine


EXECUTOR = ThreadPoolExecutor(max_workers=2)
doc = curdoc()  # It was important to set this up globally

def do_spark_computation():
    ....
    df = spark.read.parquet(DATA_FILE)
    frac = sample_frac.value / 100  # sample_frac is a bokeh widget
    sample = df.sample(False, frac)
    ....

@coroutine
@without_document_lock
def get_new_data():
    doc.add_next_tick_callback(function_updates_bokeh_models)
    results = yield EXECUTOR.submit(do_spark_computation)
    doc.add_next_tick_callback(partial(function_updates_bokeh_models, results))


apply_button.on_click(get_new_data)