Importer des fichiers et des bibliothèques Python dans Athena pour Spark - Amazon Athena
Considérations et restrictionsExemplesImportation de fichiers texteAjouter des fichiers Python

Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Importer des fichiers et des bibliothèques Python dans Athena pour Spark

Ce document fournit des exemples sur la manière d'importer des fichiers et des bibliothèques Python vers Amazon Athena pour Apache Spark.

Considérations et restrictions

  • Version Python : Athena pour Spark utilise actuellement la version 3.9.16 de Python. Notez que les packages Python sont sensibles aux versions mineures de Python.

  • Athena pour l'architecture Spark — Athena pour Spark utilise Amazon Linux 2 pour l'architecture. ARM64 Notez que certaines bibliothèques Python ne distribuent pas de fichiers binaires pour cette architecture.

  • Objets partagés binaires (SOs) : comme la SparkContext addPyFileméthode ne détecte pas les objets partagés binaires, elle ne peut pas être utilisée dans Athena for Spark pour ajouter des packages Python qui dépendent d'objets partagés.

  • Ensembles de données distribués résilients (RDDs) : ne RDDssont pas pris en charge.

  • DataFrame.forEach — La méthode .foreach n'est pas prise en PySpark DataFramecharge.

Exemples

Les exemples utilisent les conventions suivantes.

  • Emplacement Amazon S3 réservé s3://amzn-s3-demo-bucket. Remplacez-le par l'emplacement de votre propre compartiment S3.

  • Tous les blocs de code qui s'exécutent à partir d'un shell Unix sont affichés sous la forme directory_name $. Par exemple, la commande ls du répertoire /tmp et sa sortie sont affichées comme suit :

    /tmp $ ls

    Sortie

    file1 file2

Importation de fichiers texte à utiliser dans les calculs

Les exemples de cette rubrique montrent comment importer des fichiers texte pour les utiliser dans les calculs de vos carnets dans Athena pour Spark.

L'exemple suivant montre comment écrire un fichier dans un répertoire temporaire local, l'ajouter à un bloc-notes et le tester.

import os
from pyspark import SparkFiles
tempdir = '/tmp/'
path = os.path.join(tempdir, "test.txt")
with open(path, "w") as testFile:
    _ = testFile.write("5")
sc.addFile(path)

def func(iterator):
    with open(SparkFiles.get("test.txt")) as testFile:
        fileVal = int(testFile.readline())
        return [x * fileVal for x in iterator]

#Test the file
from pyspark.sql.functions import udf
from pyspark.sql.functions import col

udf_with_import = udf(func)
df = spark.createDataFrame([(1, "a"), (2, "b")])
df.withColumn("col", udf_with_import(col('_2'))).show()

Sortie

Calculation completed.
+---+---+-------+
| _1| _2|    col|
+---+---+-------+
|  1|  a|[aaaaa]|
|  2|  b|[bbbbb]|
+---+---+-------+

L'exemple suivant montre comment importer un fichier à partir d'Amazon S3 dans un bloc-notes et le tester.

Importation d'un fichier à partir d'Amazon S3 dans un bloc-notes

  1. Créez un fichier test.txt dont le nom comporte une seule ligne contenant la valeur 5.

  2. Ajoutez le fichier à un compartiment dans Amazon S3. Cet exemple utilise l'emplacement s3://amzn-s3-demo-bucket.

  3. Utilisez le code suivant pour importer le fichier dans votre bloc-notes et le tester.

    from pyspark import SparkFiles
sc.addFile('s3://amzn-s3-demo-bucket/test.txt')

def func(iterator):
   with open(SparkFiles.get("test.txt")) as testFile:
       fileVal = int(testFile.readline())
       return [x * fileVal for x in iterator]
       
#Test the file
from pyspark.sql.functions import udf
from pyspark.sql.functions import col

udf_with_import = udf(func)
df = spark.createDataFrame([(1, "a"), (2, "b")])
df.withColumn("col", udf_with_import(col('_2'))).show()

    Sortie

    Calculation completed.
+---+---+-------+
| _1| _2|    col|
+---+---+-------+
|  1|  a|[aaaaa]|
|  2|  b|[bbbbb]|
+---+---+-------+

Ajouter des fichiers Python

Les exemples de cette rubrique montrent comment ajouter des fichiers et des bibliothèques Python à vos blocs-notes Spark dans Athena.

L'exemple suivant montre comment ajouter des fichiers Python depuis Amazon S3 à votre bloc-notes et enregistrer unUDF.

Pour ajouter des fichiers Python à votre bloc-notes et enregistrer un UDF

  1. En utilisant votre propre emplacement Amazon S3, créez le fichier s3://amzn-s3-demo-bucket/file1.py avec le contenu suivant :

    def xyz(input):
    return 'xyz  - udf ' + str(input);

  2. Dans le même emplacement S3, créez le fichier s3://amzn-s3-demo-bucket/file2.py avec le contenu suivant :

    from file1 import xyz
def uvw(input):
    return 'uvw -> ' + xyz(input);

  3. Dans votre bloc-notes Athena pour Spark, exécutez les commandes suivantes.

    sc.addPyFile('s3://amzn-s3-demo-bucket/file1.py')
sc.addPyFile('s3://amzn-s3-demo-bucket/file2.py')

def func(iterator):
    from file2 import uvw
    return [uvw(x) for x in iterator]

from pyspark.sql.functions import udf
from pyspark.sql.functions import col

udf_with_import = udf(func)

df = spark.createDataFrame([(1, "a"), (2, "b")])

df.withColumn("col", udf_with_import(col('_2'))).show(10)

    Sortie

    Calculation started (calculation_id=1ec09e01-3dec-a096-00ea-57289cdb8ce7) in (session=c8c09e00-6f20-41e5-98bd-4024913d6cee). Checking calculation status...
Calculation completed.
+---+---+--------------------+
| _1| _2|                 col|
+---+---+--------------------+
| 1 |  a|[uvw -> xyz - ud... |
| 2 |  b|[uvw -> xyz - ud... |
+---+---+--------------------+

Vous pouvez utiliser Python addPyFile et ses méthodes import pour importer un fichier .zip Python dans votre bloc-notes.

Note

Les fichiers .zip que vous importez dans Athena Spark peuvent inclure uniquement des packages Python. Par exemple, l'inclusion de packages contenant des fichiers basés sur le langage C n'est pas prise en charge.

Pour importer un fichier .zip Python dans votre bloc-notes

  1. Sur votre ordinateur local, dans un répertoire de bureau tel que \tmp, créez un répertoire appelé moduletest.

  2. Dans le répertoire moduletest, créez un fichier nommé hello.py avec les contenus suivants :

    def hi(input):
    return 'hi ' + str(input);

  3. Dans le même répertoire, ajoutez un fichier vide portant le nom __init__.py.

    Si vous listez le contenu du répertoire, il devrait maintenant ressembler à ce qui suit.

    /tmp $ ls moduletest
__init__.py       hello.py

  4. Utilisez la commande zip pour placer les deux fichiers du module dans un fichier appelé moduletest.zip.

    moduletest $ zip -r9 ../moduletest.zip *

  5. Chargez les fichiers .zip dans votre compartiment Amazon S3.

  6. Utilisez le code suivant pour importer le fichier .zip Python dans votre bloc-notes.

    sc.addPyFile('s3://amzn-s3-demo-bucket/moduletest.zip')

from moduletest.hello import hi

from pyspark.sql.functions import udf
from pyspark.sql.functions import col

hi_udf = udf(hi)

df = spark.createDataFrame([(1, "a"), (2, "b")])

df.withColumn("col", hi_udf(col('_2'))).show()

    Sortie

    Calculation started (calculation_id=6ec09e8c-6fe0-4547-5f1b-6b01adb2242c) in (session=dcc09e8c-3f80-9cdc-bfc5-7effa1686b76). Checking calculation status...
Calculation completed.
+---+---+----+
| _1| _2| col|
+---+---+----+
|  1|  a|hi a|
|  2|  b|hi b|
+---+---+----+

Les exemples de code suivants montrent comment ajouter et importer deux versions différentes d'une bibliothèque Python à partir d'un emplacement dans Amazon S3 en tant que deux modules distincts. Le code ajoute chaque fichier de la bibliothèque à partir de S3, l'importe, puis imprime la version de la bibliothèque pour vérifier l'importation.

sc.addPyFile('s3://amzn-s3-demo-bucket/python-third-party-libs-test/simplejson_v3_15.zip')
sc.addPyFile('s3://amzn-s3-demo-bucket/python-third-party-libs-test/simplejson_v3_17_6.zip')

import simplejson_v3_15
print(simplejson_v3_15.__version__)

Sortie

3.15.0
import simplejson_v3_17_6
print(simplejson_v3_17_6.__version__)

Sortie

3.17.6

Cet exemple utilise la commande pip pour télécharger un fichier .zip Python du projet bpabel/piglatin à partir du référentiel Python Package Index (PyPI).

Importer un fichier .zip Python à partir de PyPI

  1. Sur votre bureau local, utilisez les commandes suivantes pour créer un répertoire appelé testpiglatin et un environnement virtuel.

    /tmp $ mkdir testpiglatin
/tmp $ cd testpiglatin
testpiglatin $ virtualenv .

    Sortie

    created virtual environment CPython3.9.6.final.0-64 in 410ms
creator CPython3Posix(dest=/private/tmp/testpiglatin, clear=False, no_vcs_ignore=False, global=False)
seeder FromAppData(download=False, pip=bundle, setuptools=bundle, wheel=bundle, via=copy, app_data_dir=/Users/user1/Library/Application Support/virtualenv)
added seed packages: pip==22.0.4, setuptools==62.1.0, wheel==0.37.1
activators BashActivator,CShellActivator,FishActivator,NushellActivator,PowerShellActivator,PythonActivator

  2. Créez un sous-répertoire appelé unpacked pour contenir le projet.

    testpiglatin $ mkdir unpacked

  3. Utilisez la commande pip pour installer le projet dans le répertoire unpacked.

    testpiglatin $ bin/pip install -t $PWD/unpacked piglatin

    Sortie

    Collecting piglatin
Using cached piglatin-1.0.6-py2.py3-none-any.whl (3.1 kB)
Installing collected packages: piglatin
Successfully installed piglatin-1.0.6

  4. Vérifiez le contenu du répertoire.

    testpiglatin $ ls

    Sortie

    bin lib pyvenv.cfg unpacked

  5. Accédez au répertoire unpacked et affichez le contenu.

    testpiglatin $ cd unpacked
unpacked $ ls

    Sortie

    piglatin piglatin-1.0.6.dist-info

  6. Utilisez la commande zip pour placer le contenu du projet piglatin dans un fichier appelé library.zip.

    unpacked $ zip -r9 ../library.zip *

    Sortie

    adding: piglatin/ (stored 0%)
adding: piglatin/__init__.py (deflated 56%)
adding: piglatin/__pycache__/ (stored 0%)
adding: piglatin/__pycache__/__init__.cpython-39.pyc (deflated 31%)
adding: piglatin-1.0.6.dist-info/ (stored 0%)
adding: piglatin-1.0.6.dist-info/RECORD (deflated 39%)
adding: piglatin-1.0.6.dist-info/LICENSE (deflated 41%)
adding: piglatin-1.0.6.dist-info/WHEEL (deflated 15%)
adding: piglatin-1.0.6.dist-info/REQUESTED (stored 0%)
adding: piglatin-1.0.6.dist-info/INSTALLER (stored 0%)
adding: piglatin-1.0.6.dist-info/METADATA (deflated 48%)

  7. (Facultatif) Utilisez les commandes suivantes pour tester l'importation localement.

    1. Définissez le chemin Python vers l'emplacement du fichier library.zip et démarrez Python.

      /home $ PYTHONPATH=/tmp/testpiglatin/library.zip 
/home $ python3

      Sortie

      Python 3.9.6 (default, Jun 29 2021, 06:20:32)
[Clang 12.0.0 (clang-1200.0.32.29)] on darwin
Type "help", "copyright", "credits" or "license" for more information.

    2. Importez la bibliothèque et exécutez une commande de test.

      >>> import piglatin
>>> piglatin.translate('hello')

      Sortie

      'ello-hay'

  8. Utilisez des commandes telles que les suivantes pour ajouter le fichier .zip à partir d'Amazon S3, l'importer dans votre bloc-notes dans Athena et le tester.

    sc.addPyFile('s3://amzn-s3-demo-bucket/library.zip')

import piglatin
piglatin.translate('hello')

from pyspark.sql.functions import udf
from pyspark.sql.functions import col

hi_udf = udf(piglatin.translate)

df = spark.createDataFrame([(1, "hello"), (2, "world")])

df.withColumn("col", hi_udf(col('_2'))).show()

    Sortie

    Calculation started (calculation_id=e2c0a06e-f45d-d96d-9b8c-ff6a58b2a525) in (session=82c0a06d-d60e-8c66-5d12-23bcd55a6457). Checking calculation status...
Calculation completed.
+---+-----+--------+
| _1|   _2|     col|
+---+-----+--------+
|  1|hello|ello-hay|
|  2|world|orld-way|
+---+-----+--------+

Cet exemple importe le package md2gemini, qui convertit le texte en Markdown au format de texte Gemini, à partir de PyPI. Le package a les dépendances suivantes :

cjkwrap
mistune
wcwidth
Importation d'un fichier .zip Python comportant des dépendances

  1. Sur votre ordinateur local, utilisez les commandes suivantes pour créer un répertoire appelé testmd2gemini et un environnement virtuel.

    /tmp $ mkdir testmd2gemini
/tmp $ cd testmd2gemini
testmd2gemini$ virtualenv .

  2. Créez un sous-répertoire appelé unpacked pour contenir le projet.

    testmd2gemini $ mkdir unpacked

  3. Utilisez la commande pip pour installer le projet dans le répertoire unpacked.

    /testmd2gemini $ bin/pip install -t $PWD/unpacked md2gemini

    Sortie

    Collecting md2gemini
  Downloading md2gemini-1.9.0-py3-none-any.whl (31 kB)
Collecting wcwidth
  Downloading wcwidth-0.2.5-py2.py3-none-any.whl (30 kB)
Collecting mistune<3,>=2.0.0
  Downloading mistune-2.0.2-py2.py3-none-any.whl (24 kB)
Collecting cjkwrap
  Downloading CJKwrap-2.2-py2.py3-none-any.whl (4.3 kB)
Installing collected packages: wcwidth, mistune, cjkwrap, md2gemini
Successfully installed cjkwrap-2.2 md2gemini-1.9.0 mistune-2.0.2 wcwidth-0.2.5
...

  4. Accédez au répertoire unpacked et vérifiez le contenu.

    testmd2gemini $ cd unpacked
unpacked $ ls -lah

    Sortie

    total 16
drwxr-xr-x  13 user1  wheel   416B Jun  7 18:43 .
drwxr-xr-x   8 user1  wheel   256B Jun  7 18:44 ..
drwxr-xr-x   9 user1  staff   288B Jun  7 18:43 CJKwrap-2.2.dist-info
drwxr-xr-x   3 user1  staff    96B Jun  7 18:43 __pycache__
drwxr-xr-x   3 user1  staff    96B Jun  7 18:43 bin
-rw-r--r--   1 user1  staff   5.0K Jun  7 18:43 cjkwrap.py
drwxr-xr-x   7 user1  staff   224B Jun  7 18:43 md2gemini
drwxr-xr-x  10 user1  staff   320B Jun  7 18:43 md2gemini-1.9.0.dist-info
drwxr-xr-x  12 user1  staff   384B Jun  7 18:43 mistune
drwxr-xr-x   8 user1  staff   256B Jun  7 18:43 mistune-2.0.2.dist-info
drwxr-xr-x  16 user1  staff   512B Jun  7 18:43 tests
drwxr-xr-x  10 user1  staff   320B Jun  7 18:43 wcwidth
drwxr-xr-x   9 user1  staff   288B Jun  7 18:43 wcwidth-0.2.5.dist-info

  5. Utilisez la commande zip pour placer le contenu du projet md2gemini dans un fichier appelé md2gemini.zip.

    unpacked $ zip -r9 ../md2gemini *

    Sortie

      adding: CJKwrap-2.2.dist-info/ (stored 0%)
  adding: CJKwrap-2.2.dist-info/RECORD (deflated 37%)
  ....
  adding: wcwidth-0.2.5.dist-info/INSTALLER (stored 0%)
  adding: wcwidth-0.2.5.dist-info/METADATA (deflated 62%)

  6. (Facultatif) Utilisez les commandes suivantes pour vérifier que la bibliothèque fonctionne sur votre ordinateur local.

    1. Définissez le chemin Python vers l'emplacement du fichier md2gemini.zip et démarrez Python.

      /home $ PYTHONPATH=/tmp/testmd2gemini/md2gemini.zip 
/home python3

    2. Importez la bibliothèque et exécutez un test.

      >>> from md2gemini import md2gemini
>>> print(md2gemini('[abc](https://abc.def)'))

      Sortie

      https://abc.def abc

  7. Utilisez les commandes suivantes pour ajouter le .zip fichier depuis Amazon S3, l'importer dans votre bloc-notes dans Athena et effectuer un UDF non-test.

    # (non udf test)
sc.addPyFile('s3://amzn-s3-demo-bucket/md2gemini.zip')
from md2gemini import md2gemini
print(md2gemini('[abc](https://abc.def)'))

    Sortie

    Calculation started (calculation_id=0ac0a082-6c3f-5a8f-eb6e-f8e9a5f9bc44) in (session=36c0a082-5338-3755-9f41-0cc954c55b35). Checking calculation status...
Calculation completed.
=> https://abc.def (https://abc.def/) abc

  8. Utilisez les commandes suivantes pour effectuer un UDF test.

    # (udf test)

from pyspark.sql.functions import udf
from pyspark.sql.functions import col
from md2gemini import md2gemini


hi_udf = udf(md2gemini)
df = spark.createDataFrame([(1, "[first website](https://abc.def)"), (2, "[second website](https://aws.com)")])
df.withColumn("col", hi_udf(col('_2'))).show()

    Sortie

    Calculation started (calculation_id=60c0a082-f04d-41c1-a10d-d5d365ef5157) in (session=36c0a082-5338-3755-9f41-0cc954c55b35). Checking calculation status...
Calculation completed.
+---+--------------------+--------------------+
| _1|                  _2|                 col|
+---+--------------------+--------------------+
|  1|[first website](h...|=> https://abc.de...|
|  2|[second website](...|=> https://aws.co...|
+---+--------------------+--------------------+