Python安装spark

一.配置版本

Java JDK 1.8.0_111
Python 3.9.6
Spark 3.1.2
Hadoop 3.2.2

二.配置环境

1.配置JDK

从官网下载相应JDK的版本安装，并进行环境变量的配置
（1）在系统变量新建JAVA_HOME，根据你安装的位置填写变量值

（2）新建CLASSPATH
变量值：.;%JAVA_HOME%\lib\dt.jar;%JAVA_HOME%\lib\tools.jar；（注意前面所需的符号）

（3）点击Path

在其中进行新建：%JAVA_HOME%\bin

（4）配置好后进行确定
（5）验证，打开cmd，输入java -version和javac进行验证

此上说明jdk环境变量配置成功

2.配置Spark

（1）下载安装：
Spark官网：spark-3.1.2-bin-hadoop3.2下载地址

（2）解压，配置环境

（3）点击Path，进行新建：%SPARK_HOME%\bin，并确认
（4）验证，cmd中输入pyspark

这里提醒我们要安装Hadoop

3.配置Hadoop

（1）下载：
Hadoop官网：Hadoop 3.2.2下载地址

（2）解压，配置环境

注意：解压文件后，bin文件夹中可能没有以下两个文件：

下载地址：https://github.com/cdarlint/winutils
配置环境变量CLASSPATH:%HADOOP_HOME%\bin\winutils.exe
（3）点击Path，进行新建：%HADOOP_HOME%\bin，并确认
（4）验证，cmd中输入pyspark

由上可以看出spark能运行成功，但是会出现如下警告：

WARN ProcfsMetricsGetter: Exception when trying to compute pagesize, as a result reporting of ProcessTree metrics is stopped

这里因为spark为3.x版本有相关改动，使用spar2.4.6版本不会出现这样的问题。
不改版本解决方式（因是警告，未尝试）：
方式一：解决方法一
方式二：解决方法二

三.Pycharm配置spark

（1）Run–>Edit Configurations

（2）对Environment Variables进行配置

（3）File–>Settings–>Project Structure–>Add Content Root
找到spark-3.1.2-bin-hadoop3.2\python\lib下两个包进行添加

选择结果：

（4）测试

# 添加此代码，进行spark初始化
import findspark

findspark.init()


from datetime import datetime, date

from pyspark.sql import SparkSession

spark = SparkSession.builder.getOrCreate()

rdd = spark.sparkContext.parallelize([
    (1, 2., 'string1', date(2000, 1, 1), datetime(2000, 1, 1, 12, 0)),
    (2, 3., 'string2', date(2000, 2, 1), datetime(2000, 1, 2, 12, 0)),
    (3, 4., 'string3', date(2000, 3, 1), datetime(2000, 1, 3, 12, 0))
])
df = spark.createDataFrame(rdd, schema=['a', 'b', 'c', 'd', 'e'])
df.show()

运行结果：

四.使用anconda中python环境配置spark

1.创建虚拟环境

conda create -n pyspark_env python==3.9.6

查看环境：

conda env list

运行结果：

2.安装pyspark

切换到pyspark_env并进行安装pyspark

pip install pyspark

3.环境配置

运行上面的实例，会出现以下错误：

这说明我们需要配置py4j，SPARK_HOME
SPARK_HOME：

PYTHONPATH设置：

HADOOP_HOME设置：

path中设置：

4.运行

# 添加此代码，进行spark初始化
import findspark

findspark.init()


from datetime import datetime, date

from pyspark.sql import SparkSession

spark = SparkSession.builder.getOrCreate()

rdd = spark.sparkContext.parallelize([
    (1, 2., 'string1', date(2000, 1, 1), datetime(2000, 1, 1, 12, 0)),
    (2, 3., 'string2', date(2000, 2, 1), datetime(2000, 1, 2, 12, 0)),
    (3, 4., 'string3', date(2000, 3, 1), datetime(2000, 1, 3, 12, 0))
])
df = spark.createDataFrame(rdd, schema=['a', 'b', 'c', 'd', 'e'])
df.show()

运行结果同上