PySpark打印到控制台

Question

在数据服务器上运行PySpark作业时，如此

gcloud --project <project_name> dataproc jobs submit pyspark --cluster <cluster_name> <python_script>

我的打印声明不会显示在我的终端中。

在云上运行作业时，有没有办法在PySpark中将数据输出到终端？

修改：我想在转化中打印/记录信息。例如：

def print_funct(l):
    print(l)
    return l

rddData.map(lambda l: print_funct(l)).collect()

应打印RDD rddData中的每一行数据。

进行一些挖掘，我发现了这个answer for logging，然而，测试它为我提供了this question的结果，其答案表明在转换过程中无法进行日志记录

Answer 1

在转换中打印或记录将最终出现在Spark执行程序日志中，可以通过YARN ResourceManager Web UI通过应用程序的AppMaster或HistoryServer访问。

您也可以收集与输出一起打印的信息（例如在词典或元组中）。您也可以将它存放在累加器中，然后从驱动程序中打印出来。

如果您正在进行大量的print语句调试，您可能会发现SSH更快地进入主节点并使用pyspark REPL或IPython来试验您的代码。这也允许您使用--master local标志，这将使您的打印语句出现在stdout中。