PyCharm搭建Spark开发环境

1.安装好JDK
下载并安装好jdk-12.0.1_windows-x64_bin.exe，配置环境变量：

• 新建系统变量JAVA_HOME，值为Java安装路径
• 新建系统变量CLASSPATH，值为 .;%JAVA_HOME%\lib\dt.jar;%JAVA_HOME%\lib\tools.jar;（注意最前面的圆点）
• 配置系统变量PATH，添加 %JAVA_HOME%\bin;%JAVA_HOME%\jre\bin

在CMD中输入：java或者java -version，不显示不是内部命令等，说明安装成功。

2.安装Hadoop，并配置环境变量

• 下载hadoop：https://www.apache.org/dyn/closer.cgi/hadoop/common/hadoop-2.7.7/hadoop-2.7.7.tar.gz
  
• 解压hadoop-2.7.7.tar.gz特定路径，如：D:\adasoftware\hadoop
• 添加系统变量HADOOP_HOME：D:\adasoftware\hadoop
• 在系统变量PATH中添加：D:\adasoftware\hadoop\bin
• 安装组件winutils：将winutils中对应的hadoop版本中的bin替换自己hadoop安装目录下的bin

3.Spark环境变量配置

spark是基于hadoop之上的，运行过程中会调用相关hadoop库，如果没配置相关hadoop运行环境，会提示相关出错信息，虽然也不影响运行。

• 下载对应hadoop版本的spark：http://spark.apache.org/downloads.html
• 解压文件到：D:\adasoftware\spark-2.4.3-bin-hadoop2.7
• 添加PATH值：D:\adasoftware\spark-2.4.3-bin-hadoop2.7\bin;
• 新建系统变量SPARK_HOME：D:\adasoftware\spark-2.4.3-bin-hadoop2.7;

4.下载安装anaconda
anaconda集成了python解释器和大多数python库，安装anaconda 后不用再安装python和pandas numpy等这些组件了。下载地址。最后将python加到path环境变量中。

5.在CMD中运行pyspark，出现类似下图说明安装配置正常：
出现这种warning是因为JDK版本为12，太高了，但是不影响运行。没有影响。

6.在pycharm中配置spark

• 打开PyCharm，创建一个Project。然后选择“Run” ->“Edit Configurations”–>点击+创建新的python Configurations

• 选择 “Environment variables” 增加SPARK_HOME目录与PYTHONPATH目录。

  • SPARK_HOME:Spark安装目录
  • PYTHONPATH:Spark安装目录下的Python目录

• 选择 File->setting->你的project->project structure
• 右上角Add content root添加：py4j-some-version.zip和pyspark.zip的路径（这两个文件都在Spark中的python文件夹下）
• 保存即可

7.测试是否配置成功，程序代码如下，创建一个python程序放进去就可以：

import os
import sys

# Path for spark source folder
os.environ['SPARK_HOME'] = "D:\adasoftware\spark"

# Append pyspark to Python Path
sys.path.append("D:\adasoftware\spark\python")

try:
    from pyspark import SparkContext
    from pyspark import SparkConf

    print("Successfully imported Spark Modules")
except ImportError as e:
    print("Can not import Spark Modules", e)
    sys.exit(1)

若程序正常输出: "Successfully imported Spark Modules"就说明环境已经可以正常执行。