-
开发PySpark 所需准备环境
-
安装python环境
下载安装Anaconda。详细见文档。
-
安装PyCharm
下载安装PyCharm。
-
官网下载Spark安装包
由于PyCharm开发spark 需要本地Spark环境，所以要在官网中下载Spark安装包到本地（这里我们下载Spark1.6版本）。
-
进入Spark官网，找到对应的Spark版本下载。
-
将下载好的安装包解压到本地某个路径（路径中不要有空格和中文）
-
将解压的路径中的…spark….\python\lib下的以下两个压缩包解压
解压后：
注意：
★py4j是一个用 Python和Java编写的库。通过Py4J，Python程序能够动态访问Java虚拟机中的Java对象，Java程序也能够回调Python对象。
★pyspark 是 Spark 为 Python 开发者提供的 API。
-
PyCharm开发Spark应用程序
使用PyCharm开发Spark应用环境需要配置Python环境，我们使用的Spark1.6版本，Spark2.1以下版本不支持python3.6版本，所以我们使用兼容性比较好的Python3.5版本，需要在PyCharm中配置。具体如下：
-
打开PyCharm创建新的项目
点击Create创建。
-
配置项目的结构
选中项目,点击File->Settings…->点击 Project:xxx:->Project Structure
配置完成后，项目根目录下多了一个lib目录：
-
创建一个Spark应用程序脚本（WordCount为例）
创建一个package：
右键创建一个目录,目录中创建一个文件，内容如下：
创建python脚本，内容如下:
|
from pyspark import SparkConf from pyspark import SparkContext
if __name__ == '__main__': conf = SparkConf().setMaster("local").setAppName("wordcount") sc = SparkContext(conf=conf) lines = sc.textFile("../data/words") words = lines.flatMap(lambda line:line.split(",")) pair_words = words.map(lambda word:(word,1)) result = pair_words.reduceByKey(lambda a,b:a+b) print(result.collect())
|
运行，报错如下，需要配置SPAKR_HOME：
-
配置SPARK_HOME
写好pyspark脚本后，在运行python脚本之前，要配置下SPARK_HOME
找到本地解压的spark安装包路径，配置SPARK_HOME，完成即可。
也可以在Defaults中配置好SPARK_HOME,每次创建pyspark脚本运行时，就不用手动来设置。
注意：这里的SPARK_HOME也可以在本地系统中的环境变量中配置好，在pycharm中运行pyspark脚本时就不会找不到SPARK_HOME,两种方式都是可以的。在系统中配置好环境变量要重启pycharm。
-
运行脚本。
注意：运行脚本时有可能出错：
指定pyspark使用的python版本即可（与项目的Project Interpreter使用的python版本路径一致）：
在代码中可以加入：
|
import os os.environ["PYSPARK_PYTHON"] = "C:\\Users\\wubai\\Anaconda3\\envs\\pyspark\\python.exe" |
也可以在Edit Configurations…中加入环境变量：
也可以在系统中配置环境变量（要重启Pycharm）：
以上三种方式任选其一即可。