其实这个是上篇文章的升级版。
先上demo代码吧,其中要改的地方还挺多的,此外,如果不将模型持久化的话,烦请自行修改相关代码(demo比较简单,我就不阐释他是干什么的了):
from pyspark.ml.feature import Word2Vec
from pyspark.sql import SparkSession
from pyspark import SparkConf
from pyspark.ml import Pipeline, PipelineModel
import os
if __name__ == "__main__":
# 环境变量
# 值为linux系统中master、worker的启动所需版本的python3命令
os.environ['PYSPARK_PYTHON'] = 'python3'
# 值为linux系统中master、worker的启动所需版本的python命令
os.environ['PYSPARK_DRIVER_PYTHON'] = 'python3'
# 值为本地windows系统中spark目录
os.environ['SPARK_HOME'] = 'D:/PyWS3/spark-2.2.1'
# 值为本机IP,与建立连接时所需要的IP,防止多张网卡时导致连接失败
os.environ['SPARK_LOCAL_IP'] = '192.168.xxx.xxx'
os.environ['HADOOP_HOME'] = 'D:/PyWS3/spark-2.2.1/hadoop'
# 工作流模型保存地址,建议存在hdfs或者linux文件系统中&#