windows下pycharm开发spark

一 部署本地spark环境

1.1 安装好JDK

下载并安装好jdk1.7，配置完环境变量。

1.2Spark环境变量配置

去http://spark.apache.org/downloads.html网站下载相应hadoop对应的版本，我下载的是spark-1.6.0-bin-hadoop2.6.tgz，spark版本是1.6，对应的hadoop版本是2.6

解压下载的文件，假设解压 目录为：D:\spark-1.6.0-bin-hadoop2.6。将D:\spark-1.6.0-bin-hadoop2.6\bin添加到系统Path变量，同时新建SPARK_HOME变量，变量值为：D:\spark-1.6.0-bin-hadoop2.6

1.3 hadoop相关包的安装

spark是基于hadoop之上的，运行过程中会调用相关hadoop库，如果没配置相关hadoop运行环境，会提示相关出错信息，虽然也不影响运行。

去下载hadoop 2.6编译好的包https://www.barik.net/archive/2015/01/19/172716/，我下载的是hadoop-2.6.0.tar.gz，解压下载的文件夹，将相关库添加到系统Path变量中：D:\hadoop-2.6.0\bin;同时新建HADOOP_HOME变量，变量值为：D:\hadoop-2.6.0。同时去github上下载一个叫做 winutils 的组件，地址是https://github.com/srccodes/hadoop-common-2.2.0-bin如果没有hadoop对应的版本(此时版本是 2.6)，则去csdn上下载http://download.csdn.net/detail/luoyepiaoxin/8860033，

我的做法是把CSDN这个压缩包里的所有文件都复制到hadoop_home的bin目录下

二 python环境

Spark提供了2个交互式shell, 一个是pyspark(基于python), 一个是spark_shell(基于scala). 这两个环境其实是并列的, 并没有相互依赖关系, 所以如果仅仅是使用pyspark交互环境, 而不使用spark-shell的话, 甚至连scala都不需要安装.

2.1 下载并安装Anaconda

anaconda是一个集成了python解释器和大多数python库的系统，安装anaconda 后可以不用再安装python和pandas numpy等这些组件了。下载地址是https://www.continuum.io/downloads。将python加到path环境变量中

三 启动pyspark验证

在windows下命令行中启动pyspark,如图:

四 在pycharm中配置开发环境

4.1 配置Pycharm

更详细的材料 参考https://stackoverflow.com/questions/34685905/how-to-link-pycharm-with-pyspark

打开PyCharm，创建一个Project。然后选择“Run” ->“Edit Configurations”

选择 “Environment variables”增加SPARK_HOME目录与PYTHONPATH目录。

SPARK_HOME:Spark安装目录

PYTHONPATH:Spark安装目录下的Python目录

4.2 测试程序

先测试环境是否正确，代码如下:

import os

import sys

# Path for spark source folder

os.environ['SPARK_HOME']="D:\javaPackages\spark-1.6.0-bin-hadoop2.6"

# Append pyspark to Python Path

sys.path.append("D:\javaPackages\spark-1.6.0-bin-hadoop2.6\python")

try:

from pyspark import SparkContext

from pyspark import SparkConf

print ("Successfully imported Spark Modules")

except ImportError as e:

print ("Can not import Spark Modules", e)

sys.exit(1)

如果程序可以正常输出:"Successfully imported Spark Modules"就说明环境已经可以正常执行。

如下图，黄色框内的是具体的spark环境和python环境: