从散景服务器运行Spark？

Question

散景服务器允许用户在回叫时执行几乎任何python代码。

我想知道它是否也可用于运行Spark作业。

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

为了使它更具体一点：

1. Bokeh服务器是一个带有2个按钮的Web应用程序。
2. 如果点击了按钮1，则执行火花作业1（例如，数据集1上的字频率），并在页面上显示一些结果数据。
3. 如果点击了按钮2，则执行火花作业2（例如，数据集2上的字频率），并在页面上显示一些结果数据。

Answer 1

我知道这个帖子超级老了，但最近我有完全相同的问题。

我在我的散景应用程序中运行了Spark。我所做的不是生产级部署，但它确实有效，让人们自我服务。需要注意的一些事情让它对我有用：

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. 我使回调无阻塞，以便用户可以在他们的火花作业运行时继续进行交互 我还对火花作业的状态做了非常粗略的展示（还有很多不足之处）

这是我的散景服务器main.py的简化外观（这是开源的，你可以在这里看到 - 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：https://bokeh.pydata.org/en/latest/docs/user_guide/server.html#updating-from-unlocked-callbacks这个例子中抄下来

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)