Spark基础入门-第七章：本机开发环境搭建

Spark是大数据体系的明星产品，是一款高性能的分布式内存迭代计算框架，可以处理海量规模的数据。下面就带大家来学习今天的内容！

 往期内容：

• Spark基础入门-第一章：Spark 框架概述
• Spark基础入门-第二章：Spark环境搭建-Local
• Spark基础入门-第三章：Spark环境搭建-StandAlone
• Spark基础入门-第四章：Spark环境搭建-StandAlone-HA
• Spark基础入门-第五章：环境搭建-Spark on YARN
• Spark基础入门-第六章：PySpark库

---

一、本机PySpark环境配置

Hadoop DDL(Windows系统) mac系统可以 忽略

1. 将课程资料中提供的: hadoop-3.3.0 文件件, 复制到一个地方, 比如E:\softs\hadoop-3.0.0

2. 将文件夹内bin内的hadoop.dll复制到: C:\Windows\System32里面去

3. 配置HADOOP_HOME环境变量指向 hadoop-3.3.0文件夹的路径, 如下图

配置这些的原因是:

hadoop设计用于linux运行, 我们写spark的时候 在windows上开发 不可避免的会用到部分hadoop功能，为了避免在windows上报错, 我们给windows打补丁。

Anaconda和PySpark安装

前面我们在部署Spark的时候, 在Linux系统上配置了Anaconda的Python环境, 供Spark集群使用. 现在, 如果我们要在个人电脑上开发Python Spark程序, 也需要配置Python(Anaconda)和PySpark库 在Windows上安装Anaconda 参见:<<spark环境部署.doc>>

安装PySpark库:

pip install pyhive pyspark jieba -i https://pypi.tuna.tsinghua.edu.cn/simple

二、PyCharm配置Python解释器

配置本地解释器

• 创建PythonProject工程需要设置Python解析器 ,然后点击创建即可

• 如果没有找到conda虚拟环境的解释器,可以:

配置远程SSH Linux解释器

刚刚,配置了本地的Python(基于conda虚拟环境)的解释器, 现在我们来配置Linux远程的解释器

PySpark支持在Windows上执行,但是会有性能问题以及一些小bug, 在Linux上执行是完美和高效的.

所以, 我们也可以配置好Linux上的远程解释器, 来运行Python Spark代码.

配置远程SSH Linux解释器

1) 设置远程SSH python pySpark 环境

2) 添加新的远程连接

3) 设置虚拟机Python环境路径

三、应用入口： SparkContext

Spark Application程序入口为： SparkContext，任何一个应用首先需要构建SparkContext对象，如下两步构建： 第一步、创建SparkConf对象

设置Spark Application基本信息，比如应用的名称AppName和应用运行Master

第二步、基于SparkConf对象， 创建SparkContext对象

文档： http://spark.apache.org/docs/3.1.2/rdd-programming-guide.html

四、WordCount代码实战

• 本地准备文件word.txt

hello you Spark Flink

hello me hello she Spark

• PySpark代码

这里大家主要学习如何构建SparkContext对象 WordCount API在RDD阶段会详解

原理分析：

切换到远程SSH 解释器执行(在Linux系统上执行)

要注意, 远程解释器,本质上是在服务器上执行, 那么读取的文件,也应该是服务器上的文件路径.

五、代码结果解析

• 执行结果如下：

六、从HDFS读取数据

• 上传数据到HDFS中：

hdfs dfs -put word.txt /input/words.txt

hdfs dfs -ls /input

• 需要调整的代码：

# 第一步、读取本地数据 封装到RDD集合，认为列表List

wordsRDD = sc.textFile("hdfs://node1:8020/pydata/")

# 输出到本地文件中

resultRDD.saveAsTextFile("hdfs://node1:8020/pydata/output1/")

print('停止 PySpark SparkSession 对象')

• hdfs dfs -cat /output/output1/*

七、提交代码到集群执行

现在将代码提交到YARN集群进行测试.

提交集群对代码:setMaster部分进行删除

因为提交到集群可以通过客户端工具的参数指定master, 比如spark-submit工具.

所以,我们不在代码中固定master的设置, 不然客户端工具参数无效, 代码的优先级是最高的.

• PySpark程序将Python代码以及数据部分上传到centos集群node1机器上， 执行spark-submit就可以执行该任务。
• bin/spark-submit --master local[2] --name wordcount01 /export/pyfolder1/pyspark-

chapter01_3.8/main/_03FirstPySparkSubmit.py file:///export/pyfolder1/pyspark-

chapter01_3.8/data/word.txt

结果如下：

截图如下：

上述的4040随着SparkContext停止就不能访问，但是由于spark配置的时候使用了历史日志服务器，因此可以通过 http://192.168.88.161:18080/访问spark的historyserver观看任务执行情况：