windows上搭建pyspark开发环境

软件准备：

1. jdk1.8
2. scala-2.11.8
3. python3.7
4. hadoop-2.7.1
5. winutils
6. spark-2.3.2-bin-hadoop2.7
7. pycharm

1. 安装jdk

安装好jdk后，配置环境变量

参考:

windows 安装jdk1.8_小猫不会去楼兰捉虫的博客-CSDN博客

2.安装scala

官网下载scala， 将scala解压到指定目录，配置环境变量到path

3.安装python

官网下载python，安装并配置环境变量

4. 安装hadoop

官网下载版本>=spark对应hadoop版本，解压缩后配置HADOOP_HOME，bin目录追加到PATH

5. winutils安装 

下载地址：GitHub - steveloughran/winutils: Windows binaries for Hadoop versions (built from the git commit ID used for the ASF relase)，按hadoop版本对应下载， 将winutils.exe 放到hadoop的bin目录下。

6. 安装spark

官网下载压缩包，将Spark解压到指定目录，并添加到环境变量

spark下载地址：https://archive.apache.org/dist/spark/

验证pyspark是否正常

 

7. pycharm 开发环境配置

(1) 新建项目，选择解释器

(2) Run => Edit Configurations => 环境变量

PYTHONPATH= D:MyProgramspark-2.3.0-bin-hadoop2.7python  # python 环境变量

SPARK_HOME= D:MyProgramspark-2.3.0-bin-hadoop2.7  # spark环境变量

(3) Settings => Project Sturcture => Add Content Root 添加两个包

$SPARK_HOMEpythonlibpy4j-0.10.6-src.zip

$SPARK_HOMEpythonlibpyspark.zip

        

(4) 测试环境是否正常

安装pyspark包

pip install pyspark

 测试代码

from pyspark import SparkConf, SparkContext
# 1.创建SparkConf和SparkContext
conf = SparkConf().setMaster("local").setAppName("lichao-wordcount")
sc = SparkContext(conf=conf)

# 2.业务逻辑
data = ["hello", "world", "hello", "word", "count", "count", "hello"]
rdd = sc.parallelize(data)
resultRdd = rdd.map(lambda word: (word, 1)).reduceByKey(lambda a, b: a + b)
resultColl = resultRdd.collect()
for line in resultColl:
    print(line)

 运行结果