Windows10搭建Spark+Python开发环境

​

准备工作

• • 
    
• 查看操作系统的版本信息：计算机>>右键“属性”>>查看版本信息，如Windows10专业版64位。
  
  • 
    

1

安装Anaconda

1.1 下载

• • 
    
• 注意选择与操作系统匹配的版本，截止写本教程时，官方版本为Anaconda5.0.1，内部封装的为Python3.6，也可根据需要下载封装其他版本Python的Anaconda3
  
• 下载地址为：https://www.anaconda.com/download/
  
  • 
    

1.2 安装

• • 
    
• 根据安装向导逐步进行，注意安装路径中的文件夹名称不要存在空格
  
  • 
    

1.3 配置环境变量

• • 
    
• 配置系统变量PATH，添加…\Anaconda3\Scripts及…\Anaconda3（根据安装路径确定）
  
  • 
    

【注意】此图PATH变量中也显示了后续安装过程中添加的信息

1.4 测试

• • 
    
• 测试Python：在cmd中输入Python命令，查看Python版本信息
  
• 测试Conda：在cmd中输入conda或pip命令，查看具体信息
  
  • 
    

2

安装Java

2.1 下载

• • 
    
• 下载JDK8，选择与操作系统匹配的版本，注意勾选同意其使用协议后下载
  
• 下载地址为：http://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html
  
  • 
    

2.2 配置环境变量

• • 
    
• 新建系统变量JAVA_HOME，值为Java安装路径
  
• 新建系统变量CLASSPATH，值为“.%JAVA_HOME%\lib;%JAVA_HOME%\lib\tools.jar”（注意最前面的圆点）
  
• 配置系统变量PATH，添加%JAVA_HOME%\bin及%JAVA_HOME%\jre\bin
  
  • 
    

2.3 测试

• • 
    
• 在cmd中输入java –version命令，查看Java版本信息
  
  • 
    

3

安装Spark

3.1 下载

• • 
    
• 下载Spark2.2.0，注意与操作系统版本一致
  
• 下载地址为：http://spark.apache.org/downloads.html
  
  • 
    

3.2 安装

• • 
    
• 只需解压程序包，并拷贝至存放路径，注意安装路径中的文件夹名称不要存在空格
  
  • 
    

3.3 配置环境变量

• • 
    
• 新建系统变量SPARK_HOME，值为Spark安装路径
  
• 配置系统变量PATH，添加%SPARK_HOME%\bin及%SPARK_HOME%\sbin
  
  • 
    

3.4 配置日志显示级别

• • 
    
• 选择…\spark\conf\目录下log4j.properties.template，复制为log4j.properties
  
• 将log4j.properties中，"INFO, console"改为"WARN, console"
  
  • 
    

4

配置Hadoop支持模块

4.1 下载

• • 
    
• 下载Hadoop支持模块
  
• 下载地址为：https://github.com/LemenChao/Introduction-to-Data-Science/blob/master/Hadoop/hadoop.dll-and-winutils.exe-for-hadoop2.7.3-on-windows_X64-master.zip
  
  • 
    

4.2 安装

• • 
    
• 只需解压程序包，并拷贝至存放路径，注意安装路径中的文件夹名称不要存在空格
  
  • 
    

4.3 配置环境变量

• • 
    
• 新建系统变量HADOOP_HOME，值为Hadoop安装路径
  
• 配置系统变量PATH，添加%HADOOP_HOME%\bin
  
  • 
    

5

测试Spark

5.1 测试spark

• • 
    
• 在cmd中输入spark-shell，查看Spark版本信息
  
  • 
    

5.2 测试pyspark

• • 
    
• 在cmd中输入pyspark，查看Pyspark版本信息
  
  • 
    

6

运行示例代码

6.1 将...\spark\python\pyspark文件夹拷贝至...\Anaconda3\Lib\site-packages文件夹下（注意安装路径）

6.2 安装python的py4j库，Py4j可以使运行于python解释器的python程序动态的访问java虚拟机中的java对象。

6.3 运行示例代码

个人执行过程排错

1.win10 命令提示符cmd不是内部或外部命令的解决方法

在系统环境变量path添加：

• • 
    
• %SystemRoot%\system32
• %SystemRoot%
• %SystemRoot%\System32\Wbem
• %SystemRoot%\System32\WindowsPowerShell\v1.0
  • 
    

2.Exception: Java gateway process exited before sending its port number

确保你前面的配置都没有错。java、spark、Hadoop都配置成功，我自己的问题是因为运行程序的python环境没有被添加到系统变量里去。

3.py4j.protocol.Py4JError: org.apache.spark.api.python.PythonUtils.getEncryptionEnabled does not exist in the JVM

在最开头添加这两行代码：

import findspark findspark.init()

完整测试程序如下：

import findspark findspark.init() from pyspark import SparkContext from pyspark import SparkConf  conf = SparkConf().setAppName("miniProject").setMaster("local[*]") sc=SparkContext.getOrCreate(conf) rdd=sc.parallelize([1,2,3,4,5]) rdd1=rdd.map(lambda r:r+10) print(rdd1.collect())