我当前的Java / Spark单元测试方法通过使用“本地”实例化SparkContext并使用JUnit运行单元测试来工作（详细here）。
必须组织代码以在一个函数中执行I / O，然后使用多个RDD调用另一个函数。
这很有效。我有一个用Java + Spark编写的高度测试的数据转换。
我可以用Python做同样的事吗？
我如何使用Python运行Spark单元测试？
答案 0 :(得分：23)
我也建议使用py.test。 py.test使创建可重用的SparkContext测试夹具变得容易，并使用它来编写简洁的测试功能。您还可以专门设置fixture（例如创建StreamingContext）并在测试中使用其中的一个或多个。
我在这个主题上写了一篇关于媒体的博客文章：
https://engblog.nextdoor.com/unit-testing-apache-spark-with-py-test-3b8970dc013b
以下是该帖子的摘录：
GetAllContentsByRef答案 1 :(得分：13)
如果你使用Spark 2.x和SparkSession，这是pytest的解决方案。我也在进口第三方包裹。
import logging
import pytest
from pyspark.sql import SparkSession
def quiet_py4j():
"""Suppress spark logging for the test context."""
logger = logging.getLogger('py4j')
logger.setLevel(logging.WARN)
@pytest.fixture(scope="session")
def spark_session(request):
"""Fixture for creating a spark context."""
spark = (SparkSession
.builder
.master('local[2]')
.config('spark.jars.packages', 'com.databricks:spark-avro_2.11:3.0.1')
.appName('pytest-pyspark-local-testing')
.enableHiveSupport()
.getOrCreate())
request.addfinalizer(lambda: spark.stop())
quiet_py4j()
return spark
def test_my_app(spark_session):
...
注意如果使用Python 3，我必须将其指定为PYSPARK_PYTHON环境变量：
import os
import sys
IS_PY2 = sys.version_info < (3,)
if not IS_PY2:
os.environ['PYSPARK_PYTHON'] = 'python3'
否则会收到错误：
异常：worker中的Python与2.7中的版本不同 驱动程序3.5，PySpark无法运行不同的次要版本。请 检查环境变量PYSPARK_PYTHON和PYSPARK_DRIVER_PYTHON 正确设置。
答案 2 :(得分：8)
我使用pytest，它允许测试装置，因此您可以实例化一个pyspark上下文并将其注入所有需要它的测试中。
@pytest.fixture(scope="session",
params=[pytest.mark.spark_local('local'),
pytest.mark.spark_yarn('yarn')])
def spark_context(request):
if request.param == 'local':
conf = (SparkConf()
.setMaster("local[2]")
.setAppName("pytest-pyspark-local-testing")
)
elif request.param == 'yarn':
conf = (SparkConf()
.setMaster("yarn-client")
.setAppName("pytest-pyspark-yarn-testing")
.set("spark.executor.memory", "1g")
.set("spark.executor.instances", 2)
)
request.addfinalizer(lambda: sc.stop())
sc = SparkContext(conf=conf)
return sc
def my_test_that_requires_sc(spark_context):
assert spark_context.textFile('/path/to/a/file').count() == 10
然后，您可以通过调用py.test -m spark_local或使用py.test -m spark_yarn在YARN中以本地模式运行测试。这对我来说非常好。
答案 3 :(得分：7)
假设您已安装interface JQueryStatic {
FroalaEditor: any;
}
，则可以使用以下类在pyspark中对unitTest进行测试：
unittest示例：
import unittest
import pyspark
class PySparkTestCase(unittest.TestCase):
@classmethod
def setUpClass(cls):
conf = pyspark.SparkConf().setMaster("local[2]").setAppName("testing")
cls.sc = pyspark.SparkContext(conf=conf)
cls.spark = pyspark.SQLContext(cls.sc)
@classmethod
def tearDownClass(cls):
cls.sc.stop()
请注意，这会为每个类创建一个上下文。使用class SimpleTestCase(PySparkTestCase):
def test_with_rdd(self):
test_input = [
' hello spark ',
' hello again spark spark'
]
input_rdd = self.sc.parallelize(test_input, 1)
from operator import add
results = input_rdd.flatMap(lambda x: x.split()).map(lambda x: (x, 1)).reduceByKey(add).collect()
self.assertEqual(results, [('hello', 2), ('spark', 3), ('again', 1)])
def test_with_df(self):
df = self.spark.createDataFrame(data=[[1, 'a'], [2, 'b']],
schema=['c1', 'c2'])
self.assertEqual(df.count(), 2)
代替setUp来获取每个测试的上下文。这通常会增加测试执行的大量开销时间，因为创建新的spark上下文目前很昂贵。
答案 4 :(得分：2)
您可以通过在测试套件中的DataFrames上运行代码并比较DataFrame列的相等性或两个完整DataFrames的相等性来测试PySpark代码。
quinn project has several examples。
为测试套件创建SparkSession
使用此固定装置创建一个tests / conftest.py文件，以便您可以轻松地在测试中访问SparkSession。
import pytest
from pyspark.sql import SparkSession
@pytest.fixture(scope='session')
def spark():
return SparkSession.builder \
.master("local") \
.appName("chispa") \
.getOrCreate()
列相等性示例
假设您要测试以下从字符串中删除所有非单词字符的功能。
def remove_non_word_characters(col):
return F.regexp_replace(col, "[^\\w\\s]+", "")
您可以使用chispa库中定义的assert_column_equality函数来测试此函数。
def test_remove_non_word_characters(spark):
data = [
("jo&&se", "jose"),
("**li**", "li"),
("#::luisa", "luisa"),
(None, None)
]
df = spark.createDataFrame(data, ["name", "expected_name"])\
.withColumn("clean_name", remove_non_word_characters(F.col("name")))
assert_column_equality(df, "clean_name", "expected_name")
DataFrame相等示例
一些功能需要通过比较整个DataFrame进行测试。这是一个对DataFrame中的列进行排序的函数。
def sort_columns(df, sort_order):
sorted_col_names = None
if sort_order == "asc":
sorted_col_names = sorted(df.columns)
elif sort_order == "desc":
sorted_col_names = sorted(df.columns, reverse=True)
else:
raise ValueError("['asc', 'desc'] are the only valid sort orders and you entered a sort order of '{sort_order}'".format(
sort_order=sort_order
))
return df.select(*sorted_col_names)
这是为此功能编写的一个测试。
def test_sort_columns_asc(spark):
source_data = [
("jose", "oak", "switch"),
("li", "redwood", "xbox"),
("luisa", "maple", "ps4"),
]
source_df = spark.createDataFrame(source_data, ["name", "tree", "gaming_system"])
actual_df = T.sort_columns(source_df, "asc")
expected_data = [
("switch", "jose", "oak"),
("xbox", "li", "redwood"),
("ps4", "luisa", "maple"),
]
expected_df = spark.createDataFrame(expected_data, ["gaming_system", "name", "tree"])
assert_df_equality(actual_df, expected_df)
测试I / O
通常最好从I / O函数中提取代码逻辑，以便更轻松地进行测试。
假设您具有这样的功能。
def your_big_function:
df = spark.read.parquet("some_directory")
df2 = df.withColumn(...).transform(function1).transform(function2)
df2.write.parquet("other directory")
最好这样重构代码：
def all_logic(df):
return df.withColumn(...).transform(function1).transform(function2)
def your_formerly_big_function:
df = spark.read.parquet("some_directory")
df2 = df.transform(all_logic)
df2.write.parquet("other directory")
通过这样设计代码，您可以轻松使用上述列相等性或DataFrame相等性功能测试all_logic函数。您可以使用模拟来测试your_formerly_big_function。通常最好避免在测试套件中使用I / O（但有时是不可避免的）。
This blog post包含有关如何测试PySpark代码的更多详细信息。
答案 5 :(得分：1)
前段时间我也遇到了同样的问题，在阅读了几篇文章，论坛和一些StackOverflow答案后，我结束了为pytest编写一个小插件：pytest-spark
我已经使用它几个月了，Linux上的一般工作流程看起来不错：
答案 6 :(得分：1)
pyspark具有unittest模块，可以按以下方式使用
from pyspark.tests import ReusedPySparkTestCase as PySparkTestCase
class MySparkTests(PySparkTestCase):
def spark_session(self):
return pyspark.SQLContext(self.sc)
def createMockDataFrame(self):
self.spark_session().createDataFrame(
[
("t1", "t2"),
("t1", "t2"),
("t1", "t2"),
],
['col1', 'col2']
)