快速搭建你的Spark開發(fā)環(huán)境
公眾號(hào)后臺(tái)回復(fù)關(guān)鍵字：pyspark，獲取本項(xiàng)目github地址鏈接。
一，搭建本地pyspark單機(jī)練習(xí)環(huán)境
以下過程本地單機(jī)版pyspark練習(xí)編程環(huán)境的配置方法。
注意：僅配置練習(xí)環(huán)境無需安裝hadoop,無需安裝scala.
1，安裝Java8
下載地址：https://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html
注意避免安裝其它版本的jdk否則可能會(huì)有不兼容spark的情況。注意設(shè)置JAVA_HOME，并添加它到默認(rèn)路徑PATH中
WINDOWS下安裝jdk8詳細(xì)教程可以參考：
https://www.cnblogs.com/heqiyoujing/p/9502726.html
安裝成功后，在命令行中輸入 java -version，可以看到類似如下的結(jié)果。
2，下載解壓spark
spark官網(wǎng)下載: http://spark.apache.org/downloads.html
百度云盤鏈接: https://pan.baidu.com/s/1mUMavclShgvigjaKwoSF_A ?密碼:fixh
下載后解壓放入到一個(gè)常用軟件的安裝路徑，如：
/Users/liangyun/ProgramFiles/spark-3.0.1-bin-hadoop3.2
對(duì)于Linux用戶，和mac用戶，建議像如下方式在~/.bashrc中設(shè)置環(huán)境變量，以便可以啟動(dòng)spark-submit和spark-shell。
windows用戶可以忽略以下設(shè)置。
export?PYTHONPATH=$/Users/liangyun/anaconda3/bin/python
export?PATH="/Users/liangyun/anaconda3/bin:${PATH}"
export?JAVA_HOME=/Library/Java/JavaVirtualMachines/jdk1.8.0_172.jdk/Contents/Home
export?SPARK_HOME="/Users/liangyun/ProgramFiles/spark-3.0.1-bin-hadoop3.2"
export?PYSPARK_PYTHON=$PYTHONPATH
export?PYSPARK_DRIVER_PYTHON=$PYTHONPATH
export?PYSPARK_DRIVER_PYTHON_OPTS='notebook'
3，安裝findspark
安裝成功后可以在jupyter中運(yùn)行如下代碼
import?findspark
#指定spark_home為剛才的解壓路徑,指定python路徑
spark_home?=?"/Users/liangyun/ProgramFiles/spark-3.0.1-bin-hadoop3.2"
python_path?=?"/Users/liangyun/anaconda3/bin/python"
findspark.init(spark_home,python_path)
import?pyspark?
from?pyspark?import?SparkContext,?SparkConf
conf?=?SparkConf().setAppName("test").setMaster("local[4]")
sc?=?SparkContext(conf=conf)
print("spark?version:",pyspark.__version__)
rdd?=?sc.parallelize(["hello","spark"])
print(rdd.reduce(lambda?x,y:x+'?'+y))
spark?version:?3.0.1
hello?spark
4，救命方案
如果以上過程由于java環(huán)境配置等因素沒能成功安裝pyspark。
可以在和鯨社區(qū)的云端notebook環(huán)境中直接學(xué)習(xí)pyspark。
和鯨社區(qū)的云端notebook環(huán)境中已經(jīng)安裝好了pyspark。
https://www.kesci.com/home/column/5fe6aa955e24ed00302304e0
二，運(yùn)行pyspark的各種方式
pyspark主要通過以下一些方式運(yùn)行。
1，通過pyspark進(jìn)入pyspark單機(jī)交互式環(huán)境。
這種方式一般用來測(cè)試代碼。
也可以指定jupyter或者ipython為交互環(huán)境。
2，通過spark-submit提交Spark任務(wù)到集群運(yùn)行。
這種方式可以提交Python腳本或者Jar包到集群上讓成百上千個(gè)機(jī)器運(yùn)行任務(wù)。
這也是工業(yè)界生產(chǎn)中通常使用spark的方式。
3，通過zepplin notebook交互式執(zhí)行。
zepplin是jupyter notebook的apache對(duì)應(yīng)產(chǎn)品。
4, Python安裝findspark和pyspark庫。
可以在jupyter和其它Python環(huán)境中像調(diào)用普通庫一樣地調(diào)用pyspark庫。
這也是本書配置pyspark練習(xí)環(huán)境的方式。
三，通過spark-submit提交任務(wù)到集群運(yùn)行常見問題
以下為在集群上運(yùn)行pyspark時(shí)相關(guān)的一些問題，
1，pyspark是否能夠調(diào)用Scala或者Java開發(fā)的jar包？
答：只有Driver中能夠調(diào)用jar包，通過Py4J進(jìn)行調(diào)用，在excutors中無法調(diào)用。
2，pyspark如何在excutors中安裝諸如pandas,numpy等包？
答：可以通過conda建立Python環(huán)境，然后將其壓縮成zip文件上傳到hdfs中，并在提交任務(wù)時(shí)指定環(huán)境。當(dāng)然，最簡(jiǎn)單直接的方案是把你想要的anaconda環(huán)境打包成zip上傳到集群hdfs環(huán)境中。注意，你打包的機(jī)器應(yīng)當(dāng)和集群的機(jī)器具有相同的linux操作系統(tǒng)。
3，pyspark如何添加自己編寫的其它Python腳本到excutors中的PYTHONPATH中？
答：可以用py-files參數(shù)設(shè)置，可以添加.py,.egg 或者壓縮成.zip的Python腳本，在excutors中可以import它們。
4，pyspark如何添加一些配置文件到各個(gè)excutors中的工作路徑中？
答：可以用files參數(shù)設(shè)置，不同文件名之間以逗號(hào)分隔，在excutors中用SparkFiles.get(fileName)獲取。
#提交python寫的任務(wù)
spark-submit?--master?yarn?\
--deploy-mode?cluster?\
--executor-memory?12G?\
--driver-memory?12G?\
--num-executors?100?\
--executor-cores?2?\
--conf?spark.yarn.maxAppAttempts=2?\
--conf?spark.default.parallelism=1600?\
--conf?spark.sql.shuffle.partitions=1600?\
--conf?spark.memory.offHeap.enabled=true?\
--conf?spark.memory.offHeap.size=2g\
--conf?spark.task.maxFailures=10?\
--conf?spark.stage.maxConsecutiveAttempts=10?\
--conf?spark.yarn.appMasterEnv.PYSPARK_PYTHON=./anaconda3.zip/anaconda3/bin/python?#指定excutors的Python環(huán)境
--conf?spark.yarn.appMasterEnv.PYSPARK_DRIVER_PYTHON?=?./anaconda3.zip/anaconda3/bin/python??#cluster模式時(shí)候設(shè)置
--archives?viewfs:///user/hadoop-xxx/yyy/anaconda3.zip?#上傳到hdfs的Python環(huán)境
--files??data.csv,profile.txt
--py-files??pkg.py,tqdm.py
pyspark_demo.py?
如果本書對(duì)你有所幫助，想鼓勵(lì)一下作者，記得給本項(xiàng)目加一顆星星star??，并分享給你的朋友們喔?!
如果對(duì)本書內(nèi)容理解上有需要進(jìn)一步和作者交流的地方，歡迎在公眾號(hào)"算法美食屋"下留言。作者時(shí)間和精力有限，會(huì)酌情予以回復(fù)。
也可以在公眾號(hào)后臺(tái)回復(fù)關(guān)鍵字：spark加群，加入spark和大數(shù)據(jù)讀者交流群和大家討論。