安装lib
材料:
spark : http://spark.apache.org/downloads.htmlhadoop : http://hadoop.apache.org/releases.htmljdk: http://www.oracle.com/technetwork/java/javase/downloads/index-jsp-138363.html hadoop-commin : https://github.com/srccodes/hadoop-common-2.2.0-bin/archive/master.zip (for windows7)
需要下载对应的版本
步骤：
a. 安装jdk，默认步骤即可 b. 解压spark （D:spark-2.0.0-bin-hadoop2.7） c. 解压hadoop (D:hadoop2.7) d. 解压hadoop-commin （for w7） e. copy hadoop-commin/bin to hadoop/bin （for w7）
环境变量设置
SPARK_HOME = D:spark-2.0.0-bin-hadoop2.7 HADOOP_HOME = D:hadoop2.7 PATH append = D:spark-2.0.0-bin-hadoop2.7bin;D:hadoop2.7bin
Python lib设置
a. copy D:spark-2.0.0-bin-hadoop2.7pythonpyspark to [Your-Python-Home]Libsite-packages b. pip install py4j c. pip install psutil (for windows: http://www.lfd.uci.edu/~gohlke/pythonlibs/#psutil)
Testing
cmd -> pyspark 不报错并且有相应的cmd
——————————————————————————————————
2018-5-11更新
目前spark 不兼容 Python3.6 ，因此通过anaconda创建虚拟环境变量python3.5
之后开启安装之路：
1.查看操作系统：2.下载以下两个文件的压缩文件zip.之后解压如下，并分别配置环境变量3.配置环境变量：同时在path中添加如下：
%SPARK_HOME%bin
%SPARK_HOME%sbin
%HADOOP_HOME%bin
选择…sparkconf目录下log4j.properties.template，复制为log4j.properties
将log4j.properties中，”INFO, console”改为”WARN, console”
5【将pyspark文件放到python文件夹下、使用winutils.exe修改权限】1，将spark所在目录下（比如我的是D:Softwarespark-2.2.0-bin-hadoop2.7python）的pyspark文件夹拷贝到python文件夹下（我的是D:Program Filespython3.5.3Libsite-packages）
具体目录要看大家自己安装的时候是放在哪的！
2，安装py4j库
一般的在cmd命令行下 pip install py4j 就可以。若是没有将pip路径添加到path中，就将路径切换到python的scripts中，然后再 pip install py4j 来安装库。
3，修改权限
将winutils.exe文件放到Hadoop的bin目录下（我的是D:Softwarehadoop-2.7.3bin），然后以管理员的身份打开cmd，然后通过cd命令进入到Hadoop的bin目录下，然后执行以下命令：
winutils.exe chmod 777 c:tmpHive
注意：1，cmd一定要在管理员模式下！cmd一定要在管理员模式下！cmd一定要在管理员模式下！
2，‘C:tmphive’，一般按照上面步骤进行了之后会自动创建的，一般是在Hadoop的安装目录下出现。但是若没有也不用担心，自己在c盘下创建一个也行。
关闭命令行窗口，重新打开命令行窗口，输入命令：pyspark
配置python 3在D:sparkspark-2.2.0-bin-hadoop2.7bin中找到pyspark文件，采用notepad打开，并在其中增加
export PYSPARK_PYTHON
改为
export PYSPARK_PYTHON3
再次打开bin/pyspark即配置完成pyspark采用python3
通过以上操作完成.
下面来测试
from pyspark import SparkContextfrom pyspark import SparkContext as scfrom pyspark import SparkConf
conf=SparkConf().setAppName("miniProject").setMaster("local[*]")
sc=SparkContext.getOrCreate(conf)
rdd = sc.parallelize([1,2,3,4,5])
rdd
print(rdd)
print(rdd.getNumPartitions() )输出结果：
ParallelCollectionRDD[0] at parallelize at PythonRDD.scala:4808
