【2020/1/27】寒假自学——学习进度报告7

　　今天想记录下如何在windows环境下远程提交代码到spark集群上面运行。

---

　　博客中提到的环境变量配置方法已经有更简单的方式可以替代。

　　使用findspark模块来达到自动配置环境变量的目的。

　　Findspark

　　之后就可以在代码前端加入

import findspark
findspark.init()

　　来实现自动配置。另外可以用init(edit_rc=True）来使配置持久化，但需要重新source并且重启spark才有效，不如手动配置。。不过如果spark的位置改变了可以用这个来重新配置。

---

　　spark集群搭建环境使Linux系统，但说实在，Linux系统因为是虚拟机的缘故运行IDE并不是很舒服，想要对python进行舒适的编程操作还不是一件容易事，所以今天记录下如何在Windows下进行spark编程。

　　首先是spark的基本安装。

　　需要按照集群方式安装，同时虚拟机需要保证能和Windows互联互通（能ping通），这样才能有最基本的环境。

　　具体操作按照教程按照集群版的的spark即可，注意的是slave文件内写上虚拟机地址或域名。如果成功安装将可以在Windows里显示如下界面。

 　　成功安装完成后就是安装py4j。

　　Ubuntu环境下——

apt install pip3
pip3 install py4j

　　

 　　然后就是配置pycharm的Development。

　　首先我们需要配置PyCharm通服务器的代码同步，打开Tools | Deployment | Configuration

　　点击左边的“+”添加一个部署配置，输入名字，类型选SFTP

　　

　　配置Connection。修改好host和用户名、密码就行，其余用默认配置。

　　

 　　配置Mapping。我选用默认配置，让上传同步的代码放在临时文件夹中。

　　

 　　测试连接成功后就可以了。配置完成会在下方控制台显示传输信息。

　　配置python虚拟环境

　　打开File | Settings | Project: untitled | Project Interpreter，右侧点击Add。

　　

 　　选择SHH。

　　

 　　选择已有环境。

　　

 　　选择虚拟机中的python环境。

　　

 　　点击Finish后等待pycharm同步即可。

　　配置项目环境变量

　　新建个py文件，右上角编辑启动配置。

　　

 　　修改环境变量。

　　

 　　添加如下配置。

　　PYTHONPATH=/usr/local/spark/python;SPARK_HOME =/usr/local/spark/;JAVA_HOME=/usr/lib/jvm/jdk1.8.0_162;HADOOP_HOME=/usr/local/hadoop/

　　PYTHONPATH选择spark文件夹内的python文件夹，SPARK_HOME 选择spark文件夹，JAVA_HOME可选，HADOOP_HOME可选。

　　

　　配置完成后基本就可以用了。简单测试。

　　

from pyspark import SparkContext

sc = SparkContext('spark://hadoop-master:7077', 'exp4')
students = sc.textFile('file:///usr/local/spark/mycode/exp4/chapter5-data1.txt')
qu1 = students.map(lambda line: (line.split(',')[0], 1)).reduceByKey(lambda a, b: a + b)
print(qu1.collect())
qu2 = students.map(lambda line: (line.split(',')[1], 1)).reduceByKey(lambda a, b: a + b)
print(qu2.collect())

　　

 　　

 　　完成。