我有以下项目树
.
└── src
└── dask_test
├── helpers
│ ├── commandline.py
│ ├── data
│ │ ├── dataset0.json
│ │ ├── dataset1000.json
│ │ ├── dataset300.json
│ │ ├── dataset5000.json
│ │ ├── dataset500.json
│ │ ├── events_to_be_used_final_without_google.nl.json
│ │ ├── http-malware_modified.log
│ │ └── public_suffix_list.json
│ ├── datetime.py
│ ├── datetime.pyc
│ ├── __init__.py
│ ├── __init__.pyc
│ ├── math.py
│ ├── math.pyc
│ ├── pipeline.py
│ ├── queues.py
│ ├── search.py
│ ├── services.py
│ ├── sklearn.py
│ ├── splunk_format.py
│ ├── splunk.py
│ └── sqlalchemy.py
├── __init__.py
├── __init__.pyc
├── main.py
└── riskanalysis
├── iaccess
│ ├── __init__.py
│ └── metrics
│ ├── base.py
│ ├── __init__.py
│ └── profile
│ └── __init__.py
├── __init__.py
└── metrics
└── __init__.py
在 main.py
的开头,我从`dask_test.helpers.datetime'导入一个对象
from dask_test.helpers.datetime import Timewindow
在我的主要使用 . 在我的主文件中,我定义了一些函数并将它们应用于这样的dask Dataframe
dataframe = transformation1(dataframe)
dataframe = transformation2(dataframe)
dataframe = transformation3(dataframe)
dataframe = transformation4(dataframe)
转换函数使用dask.dataframe并使用apply它们添加一个新列,如下所示:
def transformation1(dataframe):
dataframe['new_column'] = dataframe.apply(make_sequence)
return dataframe
尝试使用dask分布式计算和LocalCluster正常工作:
from distributed import Client, LocalCluster
cluster = LocalCluster(n_workers=4, threads_per_worker=1, processes=True)
client = Client(cluster)
client.persist(dataframe)
但是当打开dask-scheduler和dask-workers时,我收到以下消息
return pickle.loads(x)ImportError:没有名为dask_test.helpers.datetime的模块
-
拳头问题不是LocalCluster使用酸洗?
-
所有模块都需要包含pickleable对象才能正确分配dask?
编辑:
导入datetime模块和cloudpickle似乎datetime是可选择的
from dask_test.helpers import datetime
import cloudpickle
cloudpickle.dumps(datetime) # this works
datetime_module = cloudpickle.loads(cloudpickle.dumps(datetime)) # this also works
编辑:经过一些调查后,我在日志文件中看到了这一点:
distributed.protocol.pickle - INFO - Failed to deserialize �cpandas.core.frame
数据帧
在我的主文件中,我首先创建pandas Dataframe,然后使用 from_pandas
方法将其转换为dask DataFrame .
编辑3:我发现问题是什么,但我不明白为什么 . 在我的datetime模块中,我定义了一个名为TimeWindow的对象来处理时间段 . 我的datajson文件有一个时间戳形式的字段
timestamp_since-timestamp_until
我在数据框上应用一个函数来更改添加一个列,将上面的内容转换为时间窗口对象,如下所示:
def convert_to_time_window(item):
since = my_datetime.utcfromtimestamp_tzaware(float(item.split('-')[0]))
until = my_datetime.utcfromtimestamp_tzaware(float(item.split('-')[1]))
return my_datetime.TimeWindow(tm_since=since, tm_until=until)
在Dataframe上(这是一个pandas数据帧 . 我在创建一个dask数据帧之前这样做)
dataframe['tw'] = dataframe['time_bucket'].apply(convert_to_time_window)
没有它, Worker 工作正常 . 但TimeWindow对象和实例是可以选择的
1 回答
听起来您的dask-worker进程无法像客户端进程那样访问
dask_test.helpers.datetime
模块 . 从您描述项目的方式来看,您似乎依赖于从与文件相同的位置运行Python进程 . 您可以执行以下任一操作:将软件安装为正确的Python模块(有关更多信息,请参阅Python文档)
从与客户端进程相同的目录运行dask-worker进程
这个错误听起来像你的dask-worker进程无法访问Pandas . 通常,您的dask-worker进程需要在任何地方都拥有相同的软件环境 .
验证统一的当前工作目录
要验证所有工作人员是否具有相同的当前工作目录,请尝试在所有工作人员上运行
os.getcwd
您可以将此与在python进程中本地调用
os.getcwd()
进行比较 .