Spark編程環境

Spark 可以獨立安裝使用，也可以和Hadoop 一起安裝使用。在安裝 Spark 之前，首先確保你的電腦上已經安裝了 Java 8 或者更高的版本。

Spark 安裝

訪問 Spark 下載頁面 ，并選擇最新版本的 Spark 直接下載，當前的最新版本是 2.4.2 。下載好之后需要解壓縮到安裝文件夾中，看自己的喜好，我們是安裝到了 /opt 目錄下。

            
tar -xzf spark-2.4.2-bin-hadoop2.7.tgz
mv spark-2.4.2-bin-hadoop2.7/opt/spark-2.4.2
          

為了能在終端中直接打開 Spark 的 shell 環境，需要配置相應的環境變量。這里我由于使用的是 zsh，所以需要配置環境到 ~/.zshrc 中。

沒有安裝 zsh 的可以配置到 ~/.bashrc 中

            
# 編輯 zshrc 文件
sudo gedit ~/.zshrc
# 增加以下內容：export SPARK_HOME=/opt/spark-2.4.2export PATH=$SPARK_HOME/bin:$PATH
export 
            
              Python
            
            PATH=$SPARK_HOME/python:$SPARK_HOME/python/lib/py4j-0.10.4-src.zip:$PYTHONPATH
          

配置完成后，在 shell 中輸入 spark-shell 或者 pyspark 就可以進入到 Spark 的交互式編程環境中，前者是進入 Scala 交互式環境，后者是進入 Python 交互式環境。

配置 Python 編程環境

在這里介紹兩種編程環境， Jupyter 和 Visual Studio Code。前者方便進行交互式編程，后者方便最終的集成式開發。

PySpark in Jupyter

首先介紹如何在 Jupyter 中使用 Spark，注意這里 Jupyter notebook 和 Jupyter lab 是通用的方式，此處以 Jupyter lab 中的配置為例：

在 Jupyter lab 中使用 PySpark 存在兩種方法：

pyspark 將自動打開一個 Jupyter lab；
findSpark 包來加載 PySpark。

第一個選項更快，但特定于Jupyter筆記本，第二個選項是一個更廣泛的方法，使PySpark在你任意喜歡的IDE中都可用，強烈推薦第二種方法。

方法一：配置 PySpark 啟動器

更新 PySpark 啟動器的環境變量，繼續在 ~/.zshrc 文件中增加以下內容：

            
export PYSPARK_DRIVER_PYTHON=jupyter
export PYSPARK_DRIVER_PYTHON_OPTS='lab'
          

如果要使用 jupyter notebook，則將第二個參數的值改為 notebook

刷新環境變量或者重啟機器，并執行 pyspark 命令，將直接打開一個啟動了 Spark 的 Jupyter lab。

pyspark

?

方法二：使用 findSpark 包

在 Jupyter lab 中使用 PySpark 還有另一種更通用的方法：使用 findspark 包在代碼中提供 Spark 上下文環境。

findspark 包不是特定于 Jupyter lab 的，您也可以其它的 IDE 中使用該方法，因此這種方法更通用，也更推薦該方法。

首先安裝 findspark：

pip install findspark

之后打開一個 Jupyter lab，我們在進行 Spark 編程時，需要先導入 findspark 包，示例如下：

            
# 導入 findspark 并初始化import findspark
findspark.init()from pyspark importSparkConf,SparkContextimport random
# 配置 Spark
conf =SparkConf().setMaster("local[*]").setAppName("Pi")# 利用上下文啟動 Spark
sc =SparkContext(conf=conf)
num_samples =100000000definside(p):   
  x, y = random.random(), random.random()return x*x + y*y <1
count = sc.parallelize(range(0, num_samples)).filter(inside).count()
pi =4* count / num_samples
print(pi)
sc.stop()
          

運行示例：

?

PySpark in VScode

Visual Studio Code 作為一個優秀的編輯器，對于 Python 開發十分便利。這里首先推薦個人常用的一些插件：

Python：必裝的插件，提供了Python語言支持；

Code Runner：支持運行文件中的某些片段；

此外，在 VScode 上使用 Spark 就不需要使用 findspark 包了，可以直接進行編程：

            
from pyspark importSparkContext,SparkConf
conf =SparkConf().setMaster("local[*]").setAppName("test")
sc =SparkContext(conf=conf)
logFile ="file:///opt/spark-2.4.2/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: {0}, Lines with b:{1
          

總結

以上所述是小編給大家介紹的Linux下搭建Spark 的 Python 編程環境的方法，希望對大家有所幫助，如果大家有任何疑問歡迎給我留言，小編會及時回復大家的！