Python与Spark本地安装及环境变量配置详解

Spark介绍

Spark是一种快速、通用、可扩展的大数据分析引擎，2009年诞生于加州大学伯克利分校AMPLab，2010年开源，2013年6月成为Apache孵化项目，2014年2月成为Apache顶级项目。Spark是一种基于内存的快速、通用、可扩展的大数据分析计算引擎。Spark和Hadoop的关系是，Hadoop的MapReduce是大家广为熟知的计算框架，而Spark则是一种新的计算框架。

Windows上python的spark环境搭建

一：python环境的安装（如果已经安装可以跳过，但是注意环境变量的配置）

python的jdk安装：

 1、安装前选择add to path, 自动添加到环境变量。

 2、win+r，进入cmd窗口，输入python，出现python界面并出现版本

 3、以上两种情况，说明python的jdk安装成功

或Anoconda的安装：3.8.3

1、下载安装 一路到底

     下载镜像地址：https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/

     安装：一路到底。

     注意：在安装时候注意安装路径要记录下来，方便配置环境变量使用

     C:\Users\HP\miniconda3

2添加环境变量：

   在系统环境变量中，添加如下配置

   C:\Users\HP\miniconda3\Library\bin

   C:\Users\HP\miniconda3\Scripts

   C:\Users\HP\miniconda3

3、进入win+R，输入cmd

   进入cmd命令窗口，输入 conda -V 查看 conda版本

   进入cmd命令窗口，输入 python 进入python程序界面，并显示python版本。—输入 eixt() 退出。

  以上两个出现，则说明安装成功

二：Java与hadoop环境的安装

1.安装好JDK

下载并安装好jdk-12.0.1_windows-x64_bin.exe，配置环境变量：

在CMD中输入：java或者java -version，不显示不是内部命令等，说明安装成功。

2.安装Hadoop，并配置环境变量（hadoop也可以自己下载。但是路径要记住方便配置环境变量）

三：Spark环境的安装

1.Spark环境变量配置

spark是基于hadoop之上的，运行过程中会调用相关hadoop库，如果没配置相关hadoop运行环境，会提示相关出错信息，虽然也不影响运行。

2.在CMD中运行pyspark，出现类似下图说明安装配置正常：

四：pycharm部分配置

1.引入spark-core的包，复制spark-2.4.3-bin-hadoop2.7/python/pyspark文件夹到python的安装路径下（或anaconda路径下）的 Lib\site-packages中，如图所示。

2.在pycharm中配置spark

配置spark开发依赖包

步骤1：选择菜单栏“File”—>“Project Structure ”命令，快捷键为“ctrl+alt+shift+s”打开图5-4所示界面。

                                                                图5-4 配置项目

    步骤2：引入spark-core的包，如图5-5所示。

                                                         图5-5 配置Spark库

如果遇到下面问题：

请更换python版本到3.7版本或者更低版本

注意：在开发项目时出现权限无法访问问题解决方案

/etc/profile中添加

export HADOOP_USER_NAME=hdfs

Hdfs-site.xml中添加

<property>

    <name>dfs.permissions</name>

    <value>false</value>

</property>

开发Spark程序

开发Spark程序的基本流程，就是使用Spark提供的API来创建RDD、转换RDD、触发计算、转存计算结果。

1.创建RDD方式

spark主要就是用来创建RDD和操作RDD，创建RDD两种方式：

1.1 parallelize()方法

parallelize()方法：并行化，就是讲集合或者列表转换为RDD，一般在测试或者学习的情况使用。

案例

spark = SparkSession.builder.appName("wordcount").master("local[2]").getOrCreate()

sc = spark.sparkContext

#案例1：

ls = [1, 2, 3, 4, 5, 6, 7, 8, 9]

rdd = sc.parallelize(ls)

print(type(rdd))

print(rdd)

print(rdd.collect())

rdd1 =rdd.map(lambda x:x*2)

print(rdd1.collect())

pairRDD.foreach(print)

1.2 读取一个外部的数据集

读取一个外部的数据集，Spark将不同地方的数据源转为统一的rdd格式

例如：从本地加载数据集或者从hdfs文件系统上、hbase,、Amazoo S3 等加载外部数据集。。Spark可以支持文本文件、SequenceFile文件（Hadoop提供的 SequenceFile是一个由二进制序列化过的key/value的字节流组成的文本存储文件）和其他符合Hadoop InputFormat格式的文件。

spark = SparkSession.builder.appName("wordcount").master("local[2]").getOrCreate()

sc = spark.sparkContext

"""

  从本加载文件数据集,存储到本地

"""

rdd = sc.textFile("C:/WorkSpace/sparkProject/localfile/test.txt")

print(type(rdd))

print(rdd.collect())

rdd.saveAsTextFile("C:/WorkSpace/sparkProject/localToLocal")

  

"""

  从本加载文件数据集,存储到hdfs

"""

rdd = sc.textFile("C:/WorkSpace/sparkProject/localfile/test.txt")

print(type(rdd))

print(rdd.collect())

rdd.saveAsTextFile("hdfs://hadoop001:9000/localToHdfs")

  

  

"""

  从hdfs载文件数据集,存储到本地

"""

rdd = sc.textFile("hdfs://hadoop001:9000/test.txt")

print(type(rdd))

print(rdd.collect())

rdd.saveAsTextFile("C:/WorkSpace/sparkProject/hdfsToLocal")

"""

  从hdfs载文件数据集,存储到HDFS

"""

rdd = sc.textFile("hdfs://hadoop001:9000/test.txt")

print(type(rdd))

print(rdd.collect())

rdd.saveAsTextFile("hdfs://hadoop001:9000/HdfsToHdfs")

注意事项：

1.如果使用了本地文件系统的路径，那么，必须要保证在所有的worker节点上，也都能够采用相同的路径访问到该文件，比如，可以把该文件拷贝到每个worker节点上，或者也可以使用网络挂载共享文件系统。

2.textFile()方法的输入参数，可以是文件名，也可以是目录，也可以是压缩文件等。比如，textFile("/usr/local"), textFile("/usr/local/.txt"),  textFile("/usr/local/.gz")

3.textFile()方法也可以接受第2个输入参数（可选），用来指定分区的数目。默认情况下，Spark会为HDFS的每个block创建一个分区（HDFS中每个block默认是128MB）。你也可以提供一个比block数量更大的值作为分区数目，但是，不能提供一个小于block数量的值作为分区数目,那么有些块就不能创建成分区，对应数据就无法计算。

2.读取json文件

JSON数据：

{"product":"suit"}

{"product":"pants", "age":30}

{"product":"Shoes", "age":19}

构建Pair RDD

什么是Pair RDD

　　　（1）包含键值对类型的RDD被称作Pair RDD。

　　　（2）Pair RDD通常用来进行聚合计算。

　　　（3）Pair RDD通常由普通RDD做ETL转换而来。

一个完整示例

from pyspark.sql import SparkSession

  if __name__ == "__main__":

    spark = SparkSession.builder.appName("wordcount").master("local[2]").getOrCreate()

    sc = spark.sparkContext

    """

    创建Pair RDD

什么是Pair RDD？

      包含key-vaule键值对类型的RDD就称为Pair RDD

      Pair RDD通常用来对数据进行聚合计算

      Pair RDD通过普通RDD转换来的，例如：

      通过map构建一个Pair RDD    

    """

    案例1：

    # context = sc.textFile("C:/WorkSpace/sparkProject/localfile/test.txt")

    # #将每一行的数字作为key值，每行的数据作为value，构建pairRDD

    # pairRDD = context.map(lambda line:(line.split(" ")[0],line))

    # print(pairRDD.collect())

    案例2：

    context = sc.textFile("C:/WorkSpace/sparkProject/localfile/word.txt")

    #将每一行的数字作为key值，每行的数据作为value，构建pairRDD

    pairRDD = context.map(lambda word:(word,1))

    tmp_list = pairRDD.collect()

    print(type(tmp_list))

    def fun(x):

       print(x)

    [ fun(i) for i in tmp_list]

我的理解：首先将待处理的数据或者文件读入创建一个RDD，然后根据业务逻辑写函数。也就是生成不同的RDD最终得到我们想要的数据的过程。