大數據學習之pyspark環境搭建。
安裝anaconda、配置好虛擬環境之後,可以編輯家目錄下.bashrc文件,
我的用戶名是bdbp,虛擬環境名稱也是bdbp
編輯.bashrc添加以下內容
export PYSPARK_PYTHON=/home/bdbp/.conda/envs/bdbp/bin/python
export PYSPARK_DRIVER_PYTHON=/home/bdbp/.conda/envs/bdbp/bin/jupyter
export PYSPARK_DRIVER_PYTHON_OPTS="notebook"
ipython_opts="notebook -pylab inlie"
如圖
然後在終端輸入pyspark
如圖(本機hostname是node2)
打開網頁測試(yarn集羣版)
from pyspark import SparkConf
from pyspark.sql import SparkSession
import traceback
import os
os.environ["PYSPARK_PYTHON"]="/usr/bin/python3"#集羣上pyspark的python版本指向python3
appname = "test"#任務名稱
master ="spark://XXX.XXX.XX.XX:XXXX" #"spark://host:port"
'''
standalone模式:spark://host:port,Spark會自己負責資源的管理調度
mesos模式:mesos://host:port
yarn模式:由於很多時候我們需要和mapreduce使用同一個集羣,所以都採用Yarn來管理資源調度,這也是生產環境大多采用yarn模式的原因。yarn模式又分爲yarn cluster模式和yarn client模式:
yarn cluster: 這個就是生產環境常用的模式,所有的資源調度和計算都在集羣環境上運行。
yarn client: 這個是說Spark Driver和ApplicationMaster進程均在本機運行,而計算任務在cluster上。
'''
spark_driver_host="XXX.XXX.XX.XX"#本地主機ip
try:
conf = SparkConf().setAppName(appname).setMaster(master).set("spark.driver.host",spark_driver_host )
spark=SparkSession.builder.config(conf=conf).getOrCreate()
sc=spark.sparkContext
words = sc.parallelize(
["scala",
"java",
"hadoop",
"spark",
"akka",
"spark vs hadoop",
"pyspark",
"pyspark and spark"
])
counts = words.count()
print("Number of elements in RDD is %i" % counts)
sc.stop()
print('計算成功!')
except:
sc.stop()
traceback.print_exc()#返回出錯信息
print('連接出錯!')
如圖,可以設置os.environ["PYSPARK_PYTHON"]更改python環境,所以可以靈活切換python環境
本地單機版
from pyspark import SparkConf
from pyspark.sql import SparkSession
import traceback
appname = "test"#任務名稱
master ="local"#單機模式設置
'''
local: 所有計算都運行在一個線程當中,沒有任何並行計算,通常我們在本機執行一些測試代碼,或者練手,就用這種模式。
local[K]: 指定使用幾個線程來運行計算,比如local[4]就是運行4個worker線程。通常我們的cpu有幾個core,就指定幾個線程,最大化利用cpu的計算能力
local[*]: 這種模式直接幫你按照cpu最多cores來設置線程數了。
'''
try:
conf = SparkConf().setAppName(appname).setMaster(master)#spark資源配置
spark=SparkSession.builder.config(conf=conf).getOrCreate()
sc=spark.sparkContext
words = sc.parallelize(
["scala",
"java",
"hadoop",
"spark",
"akka",
"spark vs hadoop",
"pyspark",
"pyspark and spark"
])
counts = words.count()
print("Number of elements in RDD is %i" % counts)
sc.stop()
print('計算成功!')
except:
sc.stop()
traceback.print_exc()#返回出錯信息
print('連接出錯!')
如圖
最後感謝 陽望博主和他的博文 ,連接在這:https://blog.csdn.net/qq_23860475/article/details/90476197