python 安装spark_Spark环境搭建 (Python)

1. 安装lib

材料:

spark : http://spark.apache.org/downloads.html

hadoop : http://hadoop.apache.org/releases.html

jdk: http://www.oracle.com/technetwork/java/javase/downloads/index-jsp-138363.html

hadoop-commin : https://github.com/srccodes/hadoop-common-2.2.0-bin/archive/master.zip (for windows7)

需要下载对应的版本

步骤：

a. 安装jdk，默认步骤即可

b. 解压spark  （D:\spark-2.0.0-bin-hadoop2.7）

c. 解压hadoop  (D:\hadoop2.7)

d. 解压hadoop-commin （for w7）

e. copy hadoop-commin/bin to hadoop/bin （for w7）

2. 环境变量设置

SPARK_HOME = D:\spark-2.0.0-bin-hadoop2.7

HADOOP_HOME = D:\hadoop2.7

PATH append = D:\spark-2.0.0-bin-hadoop2.7\bin;D:\hadoop2.7\bin

3. Python lib设置

a. copy D:\spark-2.0.0-bin-hadoop2.7\python\pyspark to [Your-Python-Home]\Lib\site-packages

b. pip install py4j

c. pip install psutil

   (for windows: http://www.lfd.uci.edu/~gohlke/pythonlibs/#psutil)

4. Testing

cmd -> pyspark 不报错并且有相应的cmd

——————————————————————————————————
2018-5-11更新

目前spark 不兼容 Python3.6 ，因此通过anaconda创建虚拟环境变量python3.5

之后开启安装之路：
####1.查看操作系统：

####2.下载以下两个文件的压缩文件zip.之后解压如下，并分别配置环境变量

####3.配置环境变量：

同时在path中添加如下：
%SPARK_HOME%\bin
%SPARK_HOME%\sbin
%HADOOP_HOME%\bin

####4 配置日志显示级别（可省略）

选择…\spark\conf\目录下log4j.properties.template，复制为log4j.properties

将log4j.properties中，“INFO, console"改为"WARN, console”

#####5【将pyspark文件放到python文件夹下、使用winutils.exe修改权限】
1，将spark所在目录下（比如我的是D:\Software\spark-2.2.0-bin-hadoop2.7\python）的pyspark文件夹拷贝到python文件夹下（我的是D:\Program Files\python3.5.3\Lib\site-packages）

具体目录要看大家自己安装的时候是放在哪的！

2，安装py4j库

一般的在cmd命令行下 pip install py4j 就可以。若是没有将pip路径添加到path中，就将路径切换到python的Scripts中，然后再 pip install py4j 来安装库。

3，修改权限

将winutils.exe文件放到Hadoop的bin目录下（我的是D:\Software\hadoop-2.7.3\bin），然后以管理员的身份打开cmd，然后通过cd命令进入到Hadoop的bin目录下，然后执行以下命令：

winutils.exe chmod 777 c:\tmp\Hive

注意：1，cmd一定要在管理员模式下！cmd一定要在管理员模式下！cmd一定要在管理员模式下！

2，‘C:\tmp\hive’，一般按照上面步骤进行了之后会自动创建的，一般是在Hadoop的安装目录下出现。但是若没有也不用担心，自己在c盘下创建一个也行。

关闭命令行窗口，重新打开命令行窗口，输入命令：pyspark

####配置python 3
在D:\spark\spark-2.2.0-bin-hadoop2.7\bin中找到pyspark文件，采用notepad打开，并在其中增加

export PYSPARK_PYTHON
改为
export PYSPARK_PYTHON3

再次打开bin/pyspark即配置完成pyspark采用python3

通过以上操作完成.
下面来测试

from pyspark import SparkContext

from pyspark import SparkContext as sc
from pyspark import SparkConf
conf=SparkConf().setAppName("miniProject").setMaster("local[*]")
sc=SparkContext.getOrCreate(conf)
rdd = sc.parallelize([1,2,3,4,5])
rdd
print(rdd)
print(rdd.getNumPartitions() )

输出结果：

ParallelCollectionRDD[0] at parallelize at PythonRDD.scala:480
8