如何用python写spark

为什么要使用Python来写Spark

我觉得Python写spark的唯一原因是：你要做数据挖掘和AI相关的工作。因为很多数据挖掘的基础语言是python，再去学scala会很费时间，而python强大的类库是它的优势，很多算法库只有python才有。

Win本地编写代码调试

编辑器：PyCharm

Spark：1.6

Python：2.7

Win环境准备

Python的安装

解压python包，在环境变量里面配上bin的路径

Spark的安装

下载spark的bin文件，解压即可，在环境变量配置SPARK_HOME

要可以通过编辑器来安装，如pycharm，查找pyspark库安装即可

Hadoop安装

安装hadoop环境 。在win下面需要winutils.exe；在环境里面配置HADOOP_HOME 即可。

代码示例

# -*- coding: utf-8 -*-
from __future__ import print_function
from pyspark import *
import os
print(os.environ['SPARK_HOME'])
print(os.environ['HADOOP_HOME'])
if __name__ == '__main__':
    sc = SparkContext("local[8]")
    rdd = sc.parallelize("hello Pyspark world".split(" "))
    counts = rdd \
        .flatMap(lambda line: line) \
        .map(lambda word: (word, 1)) \
        .reduceByKey(lambda a, b: a + b) \
        .foreach(print)
    sc.stop

问题：

from pyspark import *

找不到 pyspark。然后需要将spark bin包下的python全部拷贝过来（可能需要解压py4j）

%PYTHON%\Lib\site-packages下面去。这样，你的编辑器才能找到。

或者：

配置你的编辑器的环境变量：

PYTHONPATH=F:\home\spark-1.6.0-bin-hadoop2.6\python;F:\python2.7\Lib\site-packages

使用spark-submit提交时用到其他类库 –py-files xxxx/xxxx.zip,xxxx.py。