最近趁着有空,在虚拟机里装了Ubuntu18.04系统,然后搭建了 hadoop与spark环境,记录一下。
一、使用的工具版本:
- jdk-8u241-linux-x64.tar.gz
- hadoop-2.7.7.tar.gz
- scala-2.11.8.tar.gz
- spark-2.4.5-bin-hadoop2.7.gz
- 没装hive,略过
- Anaconda3-2019.07-Linux-x86_64.sh(使用python版本3.7.3)
二、python问题
问题:系统自带python3.6.5,软件更新升级后变成python3.6.9,与Anaconda3使用的python3.7.3不一致,会导致在Anaconda3里调用pyspark报错
报错内容:pyspark调用报错:Java.io.IOException: Cannot run program “python”: CreateProcess error=2
解决方案:为了避免升级的麻烦,我是先安装Anaconda3,安装完毕后调用命令python、python3,出现的都是python3.7.3,这个没问题。但是后面调用pyspark报错了,因为pyspark默认是3.6.9,Anaconda3用的是python3.7.3,两个python版本不一样造成冲突,Anaconda3里pyspark无法找到python。所以安装完Anaconda3之后,再建立个软链接:
ln -s /home/用户名/anaconda3/bin/python3.7 /usr/bin/python
建立完成后,在ubuntu用户系统配置文件.bashrc中加入并使之生效:
export PYSPARK_PYTHON=/usr/bin/python
我在spark配置文件spark-env.sh里也加入了上述语句
pyspark测试语句:
import os
os.environ['JAVA_HOME']='/home/用户名/opt/java/jdk1.8.0_241'
from pyspark.sql import SparkSession
spark = SparkSession.builder.appName('first_app_try').getOrCreate()
df = pd.DataFrame([[11, 12, 13], [14, 15,16]], index=['A1','A2'], columns=['c1', 'c2','c3'])
spark_data = spark.createDataFrame(df)
spark_data.show() # 上面的报错由这句引起,建立软链接之后正常执行
print('successful')
三、安装hadoop与spark参考文章
-
Ubuntu 18.04下搭建单机Hadoop和Spark集群环境
-
linux上搭建单机版hadoop和spark
https://www.cnblogs.com/traditional/p/11297049.html