一，搭建本地pyspark單機練習(xí)環(huán)境

以下過程本地單機版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常用軟件的安裝路徑，如：

/Users/liangyun/ProgramFiles/spark-3.0.1-bin-hadoop3.2

對于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，運行pyspark的各種方式

pyspark主要通過以下一些方式運行。

1，通過pyspark進入pyspark單機交互式環(huán)境。

這種方式一般用來測試代碼。

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機器運行任務(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)到集群運行常見問題

以下為在集群上運行pyspark時相關(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)時指定環(huán)境。當(dāng)然，最簡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，你打包的機器應(yīng)當(dāng)和集群的機器具有相同的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