pyspark搭建使用

1、安装python、spark、java

环境版本：

debian7

python3.6

java1.8

spark-2.4.0-bin-hadoop2.6

如果有网络可尝试用apt-get与pip下载安装，离线环境可下载使用安装包

可以指定安装pyspark版本

pip3.6 install pyspark==2.4.0

---

2、问题

2.1、python版本冲突：

“EXCEPTION:Python in worker has different version 2.7 than that in driver 3.6”

解决：

增加环境变量

(指向所有python执行文件，在spark-env.sh中添加似乎无效)

export PYSPARK_PYTHON=/usr/local/bin/python3
export PYSPARK_DRIVER_PYTHON=/usr/local/bin/python3

其他环境变量

export SPARK_HOME=/home/hadoop/spark-2.4.0-bin-hadoop2.6
export PATH=$PATH:${SPARK_HOME}/bin

2.2、其他修改

修改spark配置文件，增加lzo依赖包等

注意：

• 修改spark配置文件可能不生效，可以启动前export一些对应配置项
• 需要手动添加上lzo、mysql等包到 ${SPARK_HOME}/jars 下（如有用到）
• 版本方面比较敏感，此处使用python3.6 对应 spark2.4版本，其他版本看情况是否匹配

---

3、使用

此处连接hadoop使用：

from pyspark import SparkContext,SparkConf

sc = SparkContext(conf=SparkConf().setAppName("First App"))

logData = sc.textFile("hdfs://ip:9000/user/hadoop/xxx.xx")

logData.first()

---

4、参考

http://codingdict.com/article/8881

https://www.jianshu.com/p/5a42fe0eed4d