python 链接spark_Win10+Python3.6配置Spark创建分布式爬虫

介绍Spark在Win 10系统中的的安装、配置以及在分布式爬虫中的使用，Python版本为3.6.8。

Spark安装、配置和使用请参考《Python程序设计开发宝典》“第12章 多任务与并行处理：线程、进程、协程、分布式、GPU加速”(董付国著，清华大学出版社，2017.10)，京东：https://item.jd.com/12143483.html

网络爬虫入门请参考《Python可以这样学》“第9章 网络应用开发”(董付国著，清华大学出版社，2017.2)，京东缺货，请选择亚马逊、当当、天猫搜索“董付国”；《Python程序设计基础与应用》“第13章 网络爬虫入门与应用”(董付国著，机械工业出版社，2018.9)，京东：https://item.jd.com/12433472.html

================

1、下载安装jdk，地址：https://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html

2、添加环境变量JAVA_HOME，配置为jdk的安装路径。

3、下载Spark，解压缩到G:\spark-2.2.3-bin-hadoop2.7。

地址：http://mirrors.shu.edu.cn/apache/spark/spark-2.2.3/spark-2.2.3-bin-hadoop2.7.tgz，注意版本，并不是越新越好，很容易因为版本不兼容影响运行。

4、配置环境变量HADOOP_HOME和SPARK_HOME为Spark的解压缩目录G:\spark-2.2.3-bin-hadoop2.7。

5、修改环境变量PATH，把Python 3.6的安装目录放到前面，添加jdk安装路径。

6、下载winutils.exe并放到Spark解压缩目录的bin中，下载地址：http://public-repo-1.hortonworks.com/hdp-win-alpha/winutils.exe

7、编写爬虫程序sparkCrawlYuanshi.py并保存到Spark安装目录的bin目录中，以爬取工程院院士信息为例，略去对网页结构的分析，感兴趣的朋友可自行完成这个步骤。

8、进入Power Shell，执行命令./spark-submit.cmd sparkCrawlYuanshi.py运行爬虫程序。

温馨提示

进入公众号，通过菜单“最新资源”==>“历史文章”可以快速查看分专题的文章列表，通过“最新资源”==>“微课专区”可以观看Python微课，通过“最新资源”==>“培训动态”可以查看近期Python培训安排，通过“最新资源”==>“教学资源”可以查看Python教学资源。

--------董付国老师Python系列图书--------

1)《Python程序设计(第2版)》清华大学出版社

2)《Python可以这样学》清华大学出版社

3)《Python程序设计基础(第2版)》清华大学出版社

4)《中学生可以这样学Python》清华大学出版社，配套微课：《中学生可以这样学Python》84节微课免费观看地址

5)《Python程序设计开发宝典》清华大学出版社

6)《玩转Python轻松过二级》清华大学出版社

7)《Python程序设计基础与应用》机械工业出版社

8)《Python程序设计实验指导书》清华大学出版社(预计2019年1月出版)

9)《Python编程基础与案例集锦(中学版)》电子工业出版社(预计2019年2月出版)

《中学生可以这样学Python》84节微课免费观看地址

非计算机专业《Python程序设计基础》教学参考大纲

计算机相关专业“Python程序设计”教学大纲(参考)

《Python程序设计》实验指导书(30个实验)

《Python程序设计基础与应用》课后习题答案

Python课程期末考试编程题自动批卷原理与实现模板

“Python小屋”免费资源汇总(截至2018年11月28日)

系列教学PPT:

1900页Python系列PPT分享一：基础知识(106页)

1900页Python系列PPT分享二：Python序列(列表、元组、字典、集合)(154页)

1900页Python系列PPT分享三：选择与循环结构语法及案例(96页)

1900页Python系列PPT分享四：字符串与正则表达式(109页)

1900页Python系列PPT分享五：函数设计与应用(134页)

1900页Python系列PPT分享六：面向对象程序设计(86页)

1900页Python系列PPT分享七：文件操作(132页)

1900页Python系列PPT分享八：异常处理结构与程序调试、测试(70页)

报告PPT(163页)：基于Python语言的课程群建设探讨与实践

报告PPT(123页)：Python编程基础精要

2000页Python系列PPT分享九：(GUI编程)(122页)

Python实验项目1例：使用进程池统计指定范围内素数的个数

(PPT)Python程序设计课程教学内容组织与教学方法实践

爬虫系列文章：

JavaScript获取本机浏览器UA助力Python爬取糗事百科首页

Python批量爬取名字中带有中文的pdf文件

Python爬取网页中表格数据并导出为Excel文件

Python使用标准库urllib模拟浏览器爬取网页内容

Python爬虫基础：常用HTML标签和Javascript入门

Python+selenium+PhantomJS获取百度搜索结果真实链接地址

Python 3.6模拟输入并爬取百度前10页密切相关链接

手把手教你使用Python+scrapy爬取山东各城市天气预报

Python爬虫系列：使用selenium+Edge查询指定城市天气情况

Python爬虫系列：判断目标网页编码的几种方法

BeautifulSoup解析库select方法实例——获取企业信息

Python批量爬取微信公众号文章中的图片

Python裸奔也疯狂：批量爬取中国工程院院士信息

Python爬虫扩展库scrapy选择器用法入门(一)

Python使用Scrapy爬虫框架爬取天涯社区小说“大宗师”全文

Python不使用scrapy框架而编写的网页爬虫程序

Python爬虫扩展库BeautifulSoup4用法精要

多线程、多进程与并行、并发执行、GPU加速：

Python使用多进程提高网络爬虫的爬取速度

使用Python编写属于自己的录音软件

Python多线程与Socket编程综合案例：素数

Python使用多线程搜索指定范围内的所有素数

Python使用两个Event对象同步生产者消费者问题

Python多线程编程基础3：创建线程与调用函数的区别

Python多线程编程基础2：如何创建线程

Python多线程编程基础1：为什么要使用线程

Python使用标准库subprocess调用外部程序

Python使用BoundedSemaphore对象进行线程同步

Python使用Queue对象实现多线程同步小案例

Python使用Condition对象实现多线程同步

Python多线程编程中daemon属性的作用

Python使用pyopencl在GPU上并行处理批量判断素数

Python使用pycuda在GPU上并行处理批量判断素数

Python利用Spark并行处理框架批量判断素数

Python使用Manager对象实现不同机器上的进程跨网络传输数据

Python多线程编程中使用Barrier对象进行同步

Python使用多进程批量判断素数

Python并行判断多个大整数是否为素数