在windows上面安装并用jupyter运行pyspark

intro
首先，这里介绍的方法很基本，大牛可以绕过了。

由于个人的测试需要，打算在自己的pc上面安pyspark，来熟悉MLlib。
翻了一下bing和狗，方法不少，试了linux虚拟机安装，vmware 下cloudera的安装。走到后面都会发现，这些方法并不合适，或者对机器有要求，或者对安装者的背景有要求。

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

                        正文分隔行

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

这里推荐一个不需要太折腾，对机器也没什么要求的方法。原文地址：https://medium.com/@GalarnykMichael/install-spark-on-windows-pyspark-4498a5d8d66c
原网页好像被墙了，大家查看的时候注意一下

这里主要是把原文的方法列一下，加上我碰到的一些问题。

1，安装Anaconda 和 GOW（Gnu on windows）

前者的安装我就不写了。地址是：https://repo.continuum.io/archive/
我的机器上面装的miniconda。

GOW的地址：https://github.com/bmatzelle/gow/releases/download/v0.8.0/Gow-0.8.0.exe

GOW的作用是在cmd下面执行linux 命令。安装结束之后可以运行：

gow --list

如果安装正确，可以返回

Available executables: awk, basename, bash, bc, bison, bunzip2, bzip2, bzip2recover, cat, chgrp, chmod, chown, chroot, cksum, clear, cp, csplit, curl, cut, dc,dd, df, diff, diff3, dirname, dos2unix, du, egrep, env, expand, expr, factor, fgrep, flex, fmt, fold, gawk, gfind, gow, grep, gsar, gsort, gzip, head, hostid, hostname, id, indent, install, join, jwhois, less, lesskey, ln, ls, m4, make, md5sum, mkdir, mkfifo, mknod, mv, nano, ncftp, nl, od, pageant, paste, patch, pathchk, plink, pr, printenv, printf, pscp, psftp, putty, puttygen, pwd, rm, rmdir, scp, sdiff, sed, seq, sftp, sha1sum, shar, sleep, split, ssh, su, sum, sync, tac, tail, tar, tee, test, touch, tr, uname, unexpand, uniq, unix2dos, unlink, unrar, unshar, uudecode, uuencode, vim, wc, wget, whereis, which, whoami, xargs, yes, zip

2，安装spark

spark的地址：http://spark.apache.org/downloads.html

我选的是default的设置下的版本: spark-2.1.1-bin-hadoop2.7.tgz.
下载好后，记一下路径名称。

打开cmd prompt
mkdir C:\opt\spark
mv C:\Users\neal\Downloads\spark-2.1.1-bin-hadoop2.7.tgz C:\opt\spark\spark-2.1.1-bin-hadoop2.7.tgz
gzip -d spark-2.1.1-bin-hadoop2.7.tgz
tar xvf spark-2.1.1-bin-hadoop2.7.tar
以上是安装spark的过程，下面要安装winutils.exe
curl -k -L -o winutils.exe https://github.com/steveloughran/winutils/blOb/master/hadoop-2.6.0/bin/winutils.exe?raw=true

下面要确认java已经安装。

java官网地址：https://www.java.com/en/

3，设置路径

setx SPARK_HOME C:\opt\spark\spark-2.1.1-bin-hadoop2.7
setx HADOOP_HOME C:\opt\spark\spark-2.1.1-bin-hadoop2.7
setx PYSPARK_DRIVER_PYTHON ipython
setx PYSPARK_DRIVER_PYTHON_OPTS notebook
把“ ;C:\opt\spark\spark-2.1.0-bin-hadoop2.7\bin ”加到系统路径里面。如果没有系统权限，可以加入到用户路径下面。

到这一步，pyspark就已经装好了。

4，使用pyspark

pyspark --master local[2]

这个会打开ipython notebook。

sc = SparkContext.getOrCreate()

import numpy as np

TOTAL = 1000000
dots = sc.parallelize([2.0 * np.random.random(2) - 1.0 for i in range(TOTAL)]).cache()
print(dots.count())

如果得到的输出是’1000000‘,说明系统正常。如果出现error，可以回头看一下路径是否正确。

最后，我会继续用pyspark测试。如果有其他问题会在下面更新。