【机器学习之一】python开发spark环境搭建

环境
　　spark-1.6
　　python3.5

一、python开发spark原理
使用python api编写pyspark代码提交运行时，为了不破坏spark原有的运行架构，会将写好的代码首先在python解析器中运行(cpython)，Spark代码归根结底是运行在JVM中的，这里python借助Py4j实现Python和Java的交互,即通过Py4j将pyspark代码“解析”到JVM中去运行。例如，在pyspark代码中实例化一个SparkContext对象，那么通过py4j最终在JVM中会创建scala的SparkContext对象及后期对象的调用、在JVM中数据处理消息的日志会返回到python进程中、如果在代码中会回收大量结果数据到Driver端中，也会通过socket通信返回到python进程中。这样在python进程和JVM进程之间就有大量通信。

python开发spark，需要进行大量的进程间的通信，如果通信量过大，会出现“socket write error”错误，应尽量少使用回收数据类算子，也可以调节回收日志的级别，降低进程之间的通信。

二、搭建

这里使用Spark1.6版本，由于Spark2.1以下版本不支持python3.6版本，所以我们使用兼容性比较好的Python3.5版本。
步骤一：搭建python3.5环境

(1)conda info --env可以看到所有python环境，前面有个‘*’的代表当前环境

(2)创建Python3.5环境

conda create --name python35 python=3.5

创建成功之后：

(3)激活python35:

步骤二：安装spark

(1)下载spark-1.6.0-bin-hadoop2.6

官网下载：https://archive.apache.org/dist/spark/spark-1.6.3/

(2)解压到本地目录下，这里是：E:\workspace\spark-1.6.0-bin-hadoop2.6

(3)配置环境变量：SPARK_HOME

步骤三：安装py4j、pyspark
★py4j是一个用Python和Java编写的库。通过Py4J，Python程序能够动态访问Java虚拟机中的Java对象，Java程序也能够回调Python对象。
★pyspark是Spark为Python开发者提供的 API。

方式一：可以通过pip安装，但是默认安装最新版本，我们这里需要的是和spark1.6相匹配的版本（不推荐）
安装：
pip install py4j
pip install pyspark
卸载：
pip uninstall py4j
pip uninstall pyspark

方式二:通过spark安装包拷贝（推荐）
进入目录:E:\workspace\spark-1.6.0-bin-hadoop2.6\python\lib,将py4j-0.9-src.zip、pyspark.zip解压后将py4j、pyspark拷贝到：D:\Anaconda3\envs\python35\Lib\site-packages

验证：导入包 不报错就OK

否则，会报错：

三、IDE搭建

1、eclipse

(1)eclipse中开发python程序，需要安装pydev插件。eclipse要求4.7以上，下载python插件包PyDev.zip（http://www.pydev.org/download.html）,解压后加压拷贝到eclipse的dropins中，重启即可。
(2)配置python35解释器

(3)配置SPARK_HOME，设置环境变量，需要重启eclipse

否则报错：KeyError: 'SPARK_HOME'

(4)配置PYSPARK_PYTHON

如果使用的anaconda更换了python3.5.x版本，之后在开发工具中指定了python解析器为3.5.x版本之后，运行python spark 代码时spark默认的使用的python版本可能使环境变量中指定的版本。会导致与指定的python解析器的python版本不一致。这时需要在环境变量中指定下PYSPARK_PYTHON环境变量即可，值为指定的python3.5.x python解析器。

(5)配置控制台编码

eclipse控制台只支持GBK编码。运行时需要修改编码，运行python文件时，右键->Run As->Run Configurations->Common->Encoding 改为GBK

乱码：

�ɹ�: ����ֹ PID  (���� PID  �ӽ���)�Ľ��̡�
�ɹ�: ����ֹ PID  (���� PID  �ӽ���)�Ľ��̡�
�ɹ�: ����ֹ PID  (���� PID  �ӽ���)�Ľ��̡�

设置：

修正后：

成功: 已终止 PID  (属于 PID  子进程)的进程。
成功: 已终止 PID  (属于 PID  子进程)的进程。
成功: 已终止 PID  (属于 PID  子进程)的进程。

(6)python开发spark设置外部依赖包

<1>本地测试可以通过Run As -> Run Configuration->Environment来设置SPARK_CLASSPATH 指定依赖的jar包：

<2>集群中提交任务，需要指定依赖的jar包，可以通过--jars或者—driver-class-path来指定依赖的jar包。也可以在集群spark中../conf/spark-defaults.conf中设置变量spark.driver.extraClassPath或者spark.executor.extraClassPath来指定pySpark依赖的jar包。
例如：如果使用python来开发SparkStreaming Application 还需要在进行如下配置：
在conf目录的spark-default.conf目录下添加两行配置信息

spark.driver.extraClassPath F:/spark-1.6.-bin-hadoop2./lib/spark-streaming-kafka-assembly_2.-1.6..jar
spark.executor.extraClassPath F:/spark-1.6.-bin-hadoop2./lib/spark-streaming-kafka-assembly_2.-1.6..jar

2、PyCharm
PyCharm2018破解：https://blog.csdn.net/u012278016/article/details/81738676

(1)创建新的python项目

(2)使用PyCharm创建python3.5环境
不同的python项目，可能需要不同的python版本
第一种：使用conda创建新环境

第二种：使用已有虚拟环境

第三种：使用已有其他的环境

(2)配置python对spark的依赖包

选中项目，然后选择点击File->Settings…->点击 Project:xxx:->Project Structure

(3)配置SPAKR_HOME,否则报错：KeyError: 'SPARK_HOME'

方式一：设置某个python文件运行变量

方式二：设置所有文件默认运行变量

方式三：配置系统环境变量SPAKR_HOME，设置后需要重启PyCharm

(4)配置PYSPARK_PYTHON
配置spark使用的python版本，否则有可能报错

方式一：代码中设置

import os
os.environ["PYSPARK_PYTHON"] = "D:\\Anaconda3\\envs\\python35\\python.exe"

方式二：设置PyCharm运行变量

方式三：设置操作系统环境变量 需要重启PyCharm

(5)设置 python代码模板

File->Setting->File and Code Templates

PyCharm中的文件模版变量：

${PROJECT_NAME} - 当前的项目名
${NAME} - 在文件创建过程中，新文件对话框的命名
${USER} - 当前的登录用户
${DATE} - 现在的系统日期
${TIME} - 现在的系统时间
${YEAR} - 当前年份
${MONTH} - 当前月份
${DAY} - 当前月份中的第几日
${HOUR} - 现在的小时
${MINUTE} - 现在的分钟
${PRODUCT_NAME} - IDE创建文件的名称
${MONTH_NAME_SHORT} - 月份的前三个字母缩写
${MONTH_NAME_FULL} - 完整的月份名

注意：
jdk、Anaconda、python、Spark的安装路径中不能有空格和中文。