spark2.x由淺入深深到底系列七之python開發spark環境配置

學習spark任何的技術前，請先正確理解spark，可以參考: 正確理解spark

以下是在mac操作系統上配置用python開發spark的環境

一、安裝python

spark2.2.0需要python的版本是Python2.6+ 或者 Python3.4+

可以參考： 

http://jingyan.baidu.com/article/7908e85c78c743af491ad261.html 

二、下載spark編譯包並配置環境變量

1、在官網中： http://spark.apache.org/downloads.html 下載版本爲：spark-2.2.0-bin-hadoop2.6.tgz包

放到本地的某個盤中，然後解壓。

2、設置環境變量：

cd ~

vi .bash_profile

export SPARK_HOME=/Users/tangweiqun/Desktop/bigdata/spark/spark-2.2.0-bin-hadoop2.6

export PATH=$PATH:$SCALA_HOME/bin:$M2_HOME/bin:$JAVA_HOME/bin:$SPARK_HOME/bin

source .bash_profile

3、需要對SPARK_HOME下的bin目錄下的文件執行chmod 744 ./*，否則會報權限不足的錯誤

Window機器應該不用做這步

三、安裝PyCharm

1、從官網： https://www.jetbrains.com/pycharm/download/中下載，然後傻瓜式安裝

四、編寫wordcount.py並運行成功

1、創建一個project

file --> New Project

2、給PyCharm配置PYTHONPATH

Run --> Edit Configurations，配置如下

點上面的“+”，然後填上： 

PYTHONPATH=/Users/tangweiqun/Desktop/bigdata/spark/spark-2.1.0-bin-hadoop2.6/python/:/Users/tangweiqun/Desktop/bigdata/spark/spark-2.1.0-bin-hadoop2.6/python/lib/py4j-0.10.4-src.zip

即將spark安裝包中和python相關的依賴加上

3、py4j-some-version.zip和pyspark.zip加入到項目中

爲了能看到源碼，我們需要將項目關聯源碼，關聯的方式如下：

點擊+ Add Content Root將/Users/tangweiqun/Desktop/bigdata/spark/spark-2.1.0-bin-hadoop2.6/python/lib下的兩個zip包加進去

4、編寫spark word count，然後運行成功

創建一個python文件wordcount.py，內容如下：

from pyspark import SparkContext, SparkConf

import os
import shutil

if __name__ == "__main__":
    conf = SparkConf().setAppName("appName").setMaster("local")
    sc = SparkContext(conf=conf)

    sourceDataRDD = sc.textFile("file:///Users/tangweiqun/test.txt")

    wordsRDD = sourceDataRDD.flatMap(lambda line: line.split())

    keyValueWordsRDD = wordsRDD.map(lambda s: (s, 1))

    wordCountRDD = keyValueWordsRDD.reduceByKey(lambda a, b: a + b)

    outputPath = "/Users/tangweiqun/wordcount"
    if os.path.exists(outputPath):
        shutil.rmtree(outputPath)

    wordsRDD.saveAsTextFile("file://" + outputPath)

    print wordCountRDD.collect()

右擊運行成功

詳細且系統的瞭解spark core RDD相關的Api可以參考：spark core RDD api原理詳解