amazon-web-services - 如何在 jupyter 中显示完整输出不仅是最后一个结果 - 对于 aws emr pyspark

Question

我希望有与此问题中提到的相同的选项：如何在 Jupyter 中显示完整输出，而不仅仅是最后一个结果？但是对于 AWS EMR 的 jupyterhub 的 pyspark 内核（Spark 2.4.4）。它适用于 python3 (python3.6) 内核。

如果我使用打印语句，它可以工作，但在这种情况下，如果最后一步失败，它就不起作用，那么它只会显示失败步骤的结果，如下图所示。

另外，需要注意的是，不确定它是否相关，但是，下面的代码不会同步运行，即打印等待打印等待....，但是，它只是在最后一次打印所有内容。

import time
for i in range(0,10):
    print(i)
    time.sleep(2)

如果引用的问题/帖子被删除或更改，只需从引用的帖子中添加问题。

我希望 Jupyter 打印所有交互式输出而不使用打印，而不仅仅是最后一个结果。怎么做？

例子 ：

a=3
a
a+1

我想显示

3
4

标签： amazon-web-servicespysparkipythonjupyteramazon-emr

Answer 1

打印语句输出到运行 spark executor 的计算机上stdout。stderr

考虑到您有一个有 n 个工作人员的大集群（RDD 或 DataFrame 的每个存储分区）。很难期望作业中的有序输出（例如地图）。这也可以被认为是 spark 本身的设计选择。这些数据将在哪里打印出来？由于节点是并行运行代码的，它们中的哪一个将首先打印？

因此，我们在作业中没有交互式打印语句。这些整件事也可以提醒你为什么我们有accumulators和broadcast变量。

因此，我建议您改用由步骤生成的日志并使用日志。要查看 Amazon S3 中的日志，必须启用集群日志记录（这是新集群的默认设置）。查看存档到 Amazon S3 的日志文件。

对于关于sleep()and的第二个问题print，python 是行缓冲的，这迫使它在打印到之前等待换行符stdout。如果输出不是控制台，那么即使换行也不会触发刷新。

您可以强制行为为

import time
for i in range(0,10):
    print(i,flush=True)
    time.sleep(2)