PySpark 环境搭建

在这一章中，我们将了解PySpark的环境设置。

注意 − 假设您的计算机上已安装了Java和Scala。

接下来，让我们通过以下步骤下载并设置PySpark。

第一步 − 前往官方Apache Spark 下载页面，并下载最新版本的Apache Spark。在本教程中，我们使用的是 spark-2.1.0-bin-hadoop2.7 。

第二步 − 现在，解压下载的Spark压缩文件。默认情况下，它将下载到Downloads目录中。

# tar -xvf Downloads/spark-2.1.0-bin-hadoop2.7.tgz

它将创建一个目录 spark-2.1.0-bin-hadoop2.7 。在启动PySpark之前，您需要设置以下环境变量来设置Spark路径和 Py4j的路径 。

export SPARK_HOME = /home/hadoop/spark-2.1.0-bin-hadoop2.7
export PATH = PATH:/home/hadoop/spark-2.1.0-bin-hadoop2.7/bin
export PYTHONPATH =SPARK_HOME/python:SPARK_HOME/python/lib/py4j-0.10.4-src.zip:PYTHONPATH
export PATH = SPARK_HOME/python:PATH

或者，要全局设置上述环境变量，请将它们放在 .bashrc文件 中。然后运行以下命令使环境变量生效。

# source .bashrc

现在，我们已经设置好了所有的环境，让我们转到Spark目录，并通过运行以下命令来调用PySpark shell –

# ./bin/pyspark

这将启动您的PySpark shell。

Python 2.7.12 (default, Nov 19 2016, 06:48:10) 
[GCC 5.4.0 20160609] on linux2
Type "help", "copyright", "credits" or "license" for more information.
Welcome to
      ____              __
     / __/__  ___ _____/ /__
    _\ \/ _ \/ _ `/ __/  '_/
   /__ / .__/\_,_/_/ /_/\_\   version 2.1.0
      /_/
Using Python version 2.7.12 (default, Nov 19 2016 06:48:10)
SparkSession available as 'spark'.
<<<