pyspark 学习笔记——pyspark安装

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

1. anaconda

2. java

3. apache spark

4. 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