搭建PySpark大数据分析环境

担心自己遗忘，便做此纪录。

普通的数据分析其实仅仅在PyCharm环境即可做相应的分析。但是如果数据较大，还是要在集群环境里跑会快一些，一下又两种方案：

针对数据量不大（不是几十上百个G或者百万条级数据）的情况，为了方便可采用方案一：

下图为需要使用到的文件：

第一步，安装JDK（如果不确定自己的电脑之前是否装过jdk，可以前往设置——应用——应用和功能——搜索java即可查看是否有jdk,后面的查看自己的python也是一样，搜索python即可），再次我安装的是jdk8，当然也可以使用其他版本，但是如果比较佛系想小小偷个懒，那么也可以直接和我的环境的文件版本完全一样即可。双击jdk文件以安装jdk，一直点击下一步即可完成安装。

进入jdk的安装位置可以看到以下文件夹：（也有可能只有上面那一个）：

进入jdk 1.8.0_261文件夹，复制路径

进入系统环境变量的设置，新增用户变量，变量名为JAVA_HOME,变量值为刚刚你复制的JDK的文件的路径，点击确定。

然后找到自己的变量名为Path的变量，选中并点击编辑——新建，输入%JAVA_HOME%\bin，确定即可。

打开命令行，输入‘java -version’，回车，如果出现版本号即说明安装成功。

第二步，安装Python，双击python文件以安装，然后如下无脑安装（也可以自定义安装）：

根据提示安装完成后进入命令行输入‘python’，如果显示版本号就说明安装成功。

第三步，安装PyCharm.双击Pycharm文件以安装，详情看图，最后一直next即可完成安装（）

安装完成后，打开Pycharm,

输入样例观察能否成功运行：

点击File—settings然后到如下位置：

点击加号：

搜索Pyspark，按下图操作：

同理对应讲下图的所有文件下载好（尽量保持和我的版本一致，避免出错自己难以处理）：

创建python文件测试：

如果可以正常运行，就完成第一个方法的环境的搭建啦！接下来自己导入数据即可进行分析处理。

方案二：

第一步，安装Virtualbox（国产、开源，关键是免费）

第二步，下载虚拟机镜像：

https://archive.cloudera.com/hwx-sandbox/hdp/hdp-2.6.5/HDP_2.6.5_virtualbox_180626.ova

打开VirtualBox，导入虚拟机镜像：

注意内存大小及导入路径，必须保证磁盘有充足的剩余空间

等待导入完成：

启动虚拟机：

启动完成

打开地址：http://localhost:1080/

安装Xshell和Xftp。

打开Xshell，点击新建：

输入下列参数，准备上传文件：

输入用户名：root

第一次登录需要更改密码，但是需要先输入当前密码，然后输入新密码，确认密码，最后即可使用：

点击图中的Xftp按钮：

打开Xftp后，输入起先新设置的密码，进入到远程Linux服务器：

将文件拖放进去后，就会看到上传进度：

等待上传完成后回到Xshell:

创建文件夹，上传自己的文件到HDFS中：

这样就可以在http://localhost:1080/里面进入并找到HDFS相应的文件夹并查询自己刚刚上传的文件是否成功。

这样，后续就可以开始对数据进行处理了：

至此方案二环境搭建完成。