pyspark导入，解决pyspark无法直接使用问题（linux版）

之前我试过很多种方法，但是直接install pyspark总是没办法运行，所以这里我换了一种方法，直接导入pyspark

打开pycharm的项目，找到setting中的project structure

选择添加

在你下载的spark文件夹中，找到python文件夹，python文件夹的lib下有两个压缩包，放进去

应用即可，到这里，就已经成功很多了，但是我们还没结束，linux自带的python版本，和我们安装的python版本不统一，在worker和driver执行的时候就会报错

Exception: Python in worker has different version 2.7 than that in driver

类似这样的报错信息，

解决方法是，在spark文件夹的conf的spark-env文件中设置一下pyspark所使用的python版本，具体导入如下

export PYSPARK_PYTHON=/usr/bin/python3
export PYSPARK_DRIVER_PYTHON=/usr/bin/python3

当然，python3的路径用自己的

不知道的话，可以使用whereis寻找

whereis python3

保险起见，在linux环境变量中也加入这两条环境变量，

注意：修改完不要忘了source，并且重启一下虚拟机

重启完虚拟机，再次打开pycharm，我们就可以测试了，统计词频，使用的是spark自带的文件，路径记得改一下

if __name__ == '__main__':
  from pyspark import SparkConf, SparkContext
  conf = SparkConf().setMaster("local").setAppName("My App")
  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: %s, Lines with b: %s' % (numAs, numBs))

执行，ok