大数据，Spark，Hadoop，python，pyspark
前言（环境说明）：1、下载和安装
1）安装java JDK2）安装Hadoop（伪分布式）3）安装Spark（Local模式） 2、配置相关文件
1）修改Spark的配置文件spark-env.sh2）修改环境变量 ~/.bashrc文件 3、验证Spark是否安装成功4、Spark和Hadoop的交互5、在pyspark中运行代码
1）启动2）pyspark常用命令 6、python脚本的pyspark简单例子
大数据，Spark，Hadoop，python，pysparkSpark默认语言Scala，也支持Python语言接口（pyspark），下面是python中使用spark的教程。
首先，Spark需要JDK、Hadoop生态支持。
个人环境：
Linux：Ubuntu 16.04
JDK：1.8
Hadoop：3.1.3
Spark：2.4.0
可在单机上采用 Hadoop（伪分布式）+ Spark（Local模式）进行Hadoop和spark组合环境的搭建。
注意： 安装配置或启动使用Spark + Hadoop时，都要切换成新创建的名为hadoop的用户，详见下面 1、下载和安装 中的 2）安装Hadoop（伪分布式）
见我的另一篇博文 https://blog.csdn.net/Acegem/article/details/120852985?spm=1001.2014.3001.5502
2）安装Hadoop（伪分布式）见我的另一篇博文 https://blog.csdn.net/Acegem/article/details/122880274?spm=1001.2014.3001.5502
3）安装Spark（Local模式）官网下载：https://spark.apache.org/downloads.html
选择Spark 2.4.0版本即可，下载spark-2.4.0-bin-without-hadoop.tgz，如下：
安装Spark：
sudo tar -zxvf spark-2.4.0-bin-without-hadoop.tgz -C /usr/local/ # 将下载好的spark-2.4.0-bin-without-hadoop.tg解压到 /usr/local下 cd /usr/local sudo mv ./spark-2.4.0-bin-without-hadoop/ ./spark sudo chown -R hadoop:hadoop ./spark # 此处的 hadoop 为你的用户名2、配置相关文件 1）修改Spark的配置文件spark-env.sh
先复制一份由Spark安装文件自带的配置文件模板。
cd /usr/local/spark cp ./conf/spark-env.sh.template ./conf/spark-env.sh
再编辑spark-env.sh文件(vim ./conf/spark-env.sh)，在第一行添加以下配置信息:
export SPARK_DIST_CLASSPATH=$(/usr/local/hadoop/bin/hadoop classpath)
有了上面的配置信息以后，Spark就可以把数据存储到Hadoop分布式文件系统（HDFS）中，也可以从HDFS中读取数据。如果没有配置上面的信息，Spark就只能读写本地数据，无法读取HDFS中的数据。
2）修改环境变量 ~/.bashrc文件注意：上面切换了hadoop用户，这里的~/.bashrc指的是hadoop用户的环境变量./bashrc，环境变量需要包含如下部分
JAVA_HOMEHADOOP_HOMESPARK_HOMEPYTHONPATHPYSPARK_PYTHONPATH
相关~/.bashrc 变量整理如下：
#=========== java env ======#
export JAVA_HOME=/usr/local/java/jdk1.8.0_271
export JRE_HOME=${JAVA_HOME}/jre
export CLASSPATH=.:${JAVA_HOME}/lib:${JRE_HOME}/lib
export PATH=$PATH:${JAVA_HOME}/bin:${JRE_HOME}/bin
#=========== big data env ======#
export HADOOP_HOME=/usr/local/hadoop
export SPARK_HOME=/usr/local/spark
export PYTHonPATH=$PYTHONPATH:$SPARK_HOME/python:$SPARK_HOME/python/lib/py4j-0.10.7-src.zip
export PYSPARK_PYTHON=python3
export PATH=$PATH:$HADOOP_HOME/bin:$SPARK_HOME/bin:/usr/local/hbase/bin
#===== python（anaconda） env 此处省略===== #
记得 source ~/.bashrc使更改生效。
上面配置了Hbase的环境，如果需要Hbase可参考…，也可先不设置。
配置完成后就可以直接使用，不需要像Hadoop运行启动命令。
通过运行Spark自带的示例SparkPi，可以验证Spark是否安装成功。
cd /usr/local/spark bin/run-example SparkPi
执行时会输出非常多的运行信息，输出的最终结果不容易找到，为了从大量的输出信息中快速找到我们想要的执行结果，可以通过 grep 命令进行过滤：
cd /usr/local/spark bin/run-example SparkPi | grep "Pi is"
过滤后的运行结果：
注：有时候需要下面的命令才能成功过滤（命令中的 2>&1 可以将所有的信息都输出到 stdout 中，否则由于输出日志的性质，还是会输出到屏幕中）:
cd /usr/local/spark bin/run-example SparkPi 2>&1 | grep "Pi is"
同样过滤后的运行结果：
上面已经完成了在单机上的“Hadoop（伪分布式）+ Spark（Local模式）”方式的搭建。
接下来，只需要启动Hadoop的HDFS，Spark就可以对HDFS中的数据进行读取或写入操作了。
再次强调： 启动使用Spark + Hadoop时，都要切换成新创建的名为hadoop的用户，详见上面 1、下载和安装 中的 2）安装Hadoop（伪分布式），否则下面会因为权限问题导致启动失败。
启动Hadoop的HDFS：
$ cd /usr/local/hadoop $ ./sbin/start-dfs.sh
若启动成功，会列出如下进程：NameNode、DataNode、SecondaryNameNode。如下：
也可以使用$ jps 命令查看进程，是否启动成功。
Spark支持Scala和Python，由于Spark框架本身就是使用Scala语言开发的，所以使用spark-shell命令会默认进入Scala的交互式运行环境。如果要进入Python的交互式执行环境，则需要执行pyspark命令。
看下安装spark软件的usr/local/spark/ 目录下内容：
可看到有python和R语言的接口，因为这两个是做大数据分析和人工智能非常火的语言。
再看下 usr/local/spark/python/ 目录下内容：
可看到pyspark目录。
我们知道，软件将代码编译后放在bin目录下，
再看下 usr/local/spark/bin 目录下内容：
可以看到可执行二进制文件 pyspark。
$ cd /usr/local/spark $ ./bin/pyspark
（注：也可 $ cd /usr/local/spark/bin 再 ./pyspark，但不能 $ cd /usr/local/spark/bin 再 pyspark）
结果如下：
现在，就可以在里面输入python代码进行调试了，如下：
其中，输入exit()退出交互界面。
（1）采用Local模式，在4个CPU核心上启动pyspark：
$ cd /usr/local/spark $ ./bin/pyspark --master local[4]
或者可以在CLASSPATH中添加 code.jar，命令如下：
$ cd /usr/local/spark $ ./bin/pyspark --master local[4] --jars code.jar
结果：
（2）执行 ./bin/pyspark --help 获取完整选项列表，结果如下：
word_count.py
from pyspark import SparkConf, SparkContext
# 创建SparkConf对象，并给对象赋值
conf = SparkConf().setMaster("local").setAppName("My app")
# 创建SparkContext对象
sc = SparkContext(conf=conf)
logFile = "file:///usr/local/spark/README.md"
logData = sc.textFile(logFile, 2).cache()
numAs = logData.filter(lambda line: 'a' in line).count()
numBs = logData.filter(lambda line: 'b' in line).count()
print('Lines with a:', numAs)
print('Lines with a:', numBs)
运行结果：
Lines with a: 62 Lines with a: 31
附：运行方式除了直接python3 word_count.py外；还可以通过Spark自带的Spark-submit将py脚本提交到Spark中执行。如下：
/usr/local/spark/bin/spark-submit /你的路径/word_count.py，
但该方式的执行过程默认会产生很多其他信息，为了避免信息干扰直接看到运行结果，可以修改log4j的日志信息显示级别，修改配置如下：
cd /usr/local/spark/conf sudo cp log4j.properties.template log4j.properties sudo vim log4j.properties
将log4j.properties里面的 log4j.rootCategory=INFO, console改成log4j.rootCategory=ERROR, console，再去执行/usr/local/spark/bin/spark-submit /你的路径/word_count.py便不会显示太多的输出信息了。
注：
log4j.rootCategory=INFO, console // 显示所有信息
log4j.rootCategory=ERROR, console // 只会显示报错信息
