• 分类

  • 重置

Linux下搭建Spark 的 Python 编程环境的方法

    Spark编程环境

    Spark 可以独立安装使用,也可以和Hadoop 一起安装使用。在安装 Spark 之前,首先确保你的电脑上已经安装了 Java 8 或者更高的版本。

    Spark 安装

    访问 Spark 下载页面 ,并选择最新版本的 Spark 直接下载,当前的最新版本是 2.4.2 。下载好之后需要解压缩到安装文件夹中,看自己的喜好,我们是安装到了 /opt 目录下。

    
    tar -xzf spark-2.4.2-bin-hadoop2.7.tgz
    mv spark-2.4.2-bin-hadoop2.7/opt/spark-2.4.2

    为了能在终端中直接打开 Spark 的 shell 环境,需要配置相应的环境变量。这里我由于使用的是 zsh,所以需要配置环境到 ~/.zshrc 中。

    没有安装 zsh 的可以配置到 ~/.bashrc 中

    
    # 编辑 zshrc 文件
    sudo gedit ~/.zshrc
    # 增加以下内容:export SPARK_HOME=/opt/spark-2.4.2export PATH=$SPARK_HOME/bin:$PATH
    export <a href="https://www.linuxidc.com/topicnews.aspx?tid=17" target="_blank" title="Python">Python</a>PATH=$SPARK_HOME/python:$SPARK_HOME/python/lib/py4j-0.10.4-src.zip:$PYTHONPATH

    配置完成后,在 shell 中输入 spark-shell 或者 pyspark 就可以进入到 Spark 的交互式编程环境中,前者是进入 Scala 交互式环境,后者是进入 Python 交互式环境。

    配置 Python 编程环境

    在这里介绍两种编程环境, Jupyter 和 Visual Studio Code。前者方便进行交互式编程,后者方便最终的集成式开发。

    PySpark in Jupyter

    首先介绍如何在 Jupyter 中使用 Spark,注意这里 Jupyter notebook 和 Jupyter lab 是通用的方式,此处以 Jupyter lab 中的配置为例:

    在 Jupyter lab 中使用 PySpark 存在两种方法:

    pyspark 将自动打开一个 Jupyter lab;
    findSpark 包来加载 PySpark。

    第一个选项更快,但特定于Jupyter笔记本,第二个选项是一个更广泛的方法,使PySpark在你任意喜欢的IDE中都可用,强烈推荐第二种方法。

    方法一:配置 PySpark 启动器

    更新 PySpark 启动器的环境变量,继续在 ~/.zshrc 文件中增加以下内容:

    
    export PYSPARK_DRIVER_PYTHON=jupyter
    export PYSPARK_DRIVER_PYTHON_OPTS='lab'

    如果要使用 jupyter notebook,则将第二个参数的值改为 notebook

    刷新环境变量或者重启机器,并执行 pyspark 命令,将直接打开一个启动了 Spark 的 Jupyter lab。

    pyspark

     

    方法二:使用 findSpark 包

    在 Jupyter lab 中使用 PySpark 还有另一种更通用的方法:使用 findspark 包在代码中提供 Spark 上下文环境。

    findspark 包不是特定于 Jupyter lab 的,您也可以其它的 IDE 中使用该方法,因此这种方法更通用,也更推荐该方法。

    首先安装 findspark:

    pip install findspark

    之后打开一个 Jupyter lab,我们在进行 Spark 编程时,需要先导入 findspark 包,示例如下:

    
    # 导入 findspark 并初始化import findspark
    findspark.init()from pyspark importSparkConf,SparkContextimport random
    # 配置 Spark
    conf =SparkConf().setMaster("local[*]").setAppName("Pi")# 利用上下文启动 Spark
    sc =SparkContext(conf=conf)
    num_samples =100000000definside(p):   
      x, y = random.random(), random.random()return x*x + y*y <1
    count = sc.parallelize(range(0, num_samples)).filter(inside).count()
    pi =4* count / num_samples
    print(pi)
    sc.stop()

    运行示例:

     

    PySpark in VScode

    Visual Studio Code 作为一个优秀的编辑器,对于 Python 开发十分便利。这里首先推荐个人常用的一些插件:

    Python:必装的插件,提供了Python语言支持;

    Code Runner:支持运行文件中的某些片段;

    此外,在 VScode 上使用 Spark 就不需要使用 findspark 包了,可以直接进行编程:

    
    from pyspark importSparkContext,SparkConf
    conf =SparkConf().setMaster("local[*]").setAppName("test")
    sc =SparkContext(conf=conf)
    logFile ="file:///opt/spark-2.4.2/README.md"
    logData = sc.textFile(logFile,2).cache()
    numAs = logData.filter(lambda line:'a'in line).count()
    numBs = logData.filter(lambda line:'b'in line).count()print("Lines with a: {0}, Lines with b:{1

    总结

    以上所述是小编给大家介绍的Linux下搭建Spark 的 Python 编程环境的方法,希望对大家有所帮助,如果大家有任何疑问欢迎给我留言,小编会及时回复大家的!