其实我很不理解Hadoop与pyspark的关系,网上也看了很多相关教程,但是感觉对自己没多少用处,先不管了,先学pyspark吧,之后吧自然语言处理学好之后再说吧,还要学pytorch与tensorflow,好多东西,慢慢学呗
安装
Windows
需要安装文件
-
anaconda
-
java
-
apache spark
-
winutils.exe
anaconda
我之前有篇文章写了如何安装anaconda:https://blog.csdn.net/qq_39309652/article/details/103770927
java
java 安装应该有很多教程,有时间了自己也会写一篇
Apache spark
转到官网下载页面https://spark.apache.org/downloads.html
之后选择对应版本进行下载
winutils.exe
https://github.com/4ttty/winutils
选择和你Hadoop对应的版本然后保存到解压后的spark文件夹的bin子文件夹中
环境变量配置
HADOOP_HOME:E:\Desktop\pyspark\spark-2.4.7-bin-hadoop2.7\spark-2.4.7-bin-hadoop2.7
PYSPARK_DRIVER_PYTHON:jupyter
PYSPARK_DRIVER_PYTHON_OPTS notebook
SPARK_HOME E:\Desktop\pyspark\spark-2.4.7-bin-hadoop2.7\spark-2.4.7-bin-hadoop2.7
以及bin目录也要添加到环境变量
Linux
## Linux安装等Windows全部弄完后我再补上,
import findspark
# spark是用scala编写的,scala底层用的java 8及以上,使用python编写spark程序,需要用到pyspark第三方包去转为jvm中调用核心,
# 而findspark可以提供简便的初始化spark环境,后续直接使用pyspark即可
findspark.init()
## 判断是环境否完整,若不完整则报错
import pyspark
from pyspark.sql import SparkSession
# spark 有三大引擎,spark core、sparkSQL、sparkStreaming,
# spark core 的关键抽象是 SparkContext、RDD;
# SparkSQL 的关键抽象是 SparkSession、DataFrame;
# sparkStreaming 的关键抽象是 StreamingContext、DStream
# SparkSession 是 spark2.0 引入的概念,主要用在 sparkSQL 中,当然也可以用在其他场合,他可以代替 SparkContext;
# SparkSession 其实是封装了 SQLContext 和 HiveContext
spark=SparkSession.builder.getOrCreate()
## 不太懂这行的意思
目前为止pyspark已安装成功,之后的就是和数据的结合,我会按照自己实际情况进行案例的分享。
如需要代码或数据进群753035545