hadoop集群搭建、spark集群搭建、pyspark搭建（linux+window）

1、前言

本文记录学习过程中Hadoop、zookeeper、spark集群搭建，主要为pyspark库服务（具体为window上pyspark环境和pyspark库，linux上spark框架、pyspark应用程序、pyspark环境和pyspark库）。pyspark环境是用anaconda3搭建的环境。pyspark应用程序，是安装spark集群里面自带的，提供一个python解释器环境来执行spark任务。pyspark库，是python里面的库，可以import导入，里面配置了完全的sparkapi，可以编写spark程序在window或linux上运行。

本文的集群搭建主要以linux为主，对于pyspark库部分，将涉及window，用来在window下使用pyspark库写程序运行以及上传到linux上运行。如果只关注pyspark库在window上运行，直接到2.11部分进行配置。

本文使用文件：

jdk：jdk-8u361-linux-x64.tar，jdk-8u361-windows-x86.exe

hadoop：hadoop-3.3.4.tar.gz

zookeeper：apache-zookeeper-3.5.9-bin.tar.gz

spark：spark-3.2.0-bin-hadoop3.2.tgz

anaconda3：Anaconda3-2021.05-Linux-x86_64.sh，anaconda3-2021.05-windows-x86_64.exe

hive：apache-hive-3.1.3-bin.tar.gz

mysql驱动包：mysql-connector-java-5.1.34.jar，linux内部安装的5.7版本。mysql-connector-java-8.0.13

本文内容中涉及路径的，根据自己设定进行修改。

2、搭建过程

2.1虚拟机设置

本文使vmware搭建linux虚拟机。

打开vmware虚拟网络编辑器，更改设置-vmnet8-子网为192.168.88.0，子网掩码为255.255.255.0-nat设置-网关为192.168.88.2-确定。

使用centos7操作系统。下载好安装并创建用户。右击该用户-管理-克隆-其中选择完整克隆-名字为node1，选择存储文件位置-确定。进行三次，分别创建node1、node2、node3。设置node1内存为4gb，node2和node3为2gb。

打开三台虚拟机。

主机名设置：在node1下，切换管理员用户，hostnamectl set-hostname node1，重启终端。另外两台同样配置。

修改ip地址：在node1下，vim /etc/sysconfig/network-scripts/ifcfg-ens33，BOOTPROTO='static'，在最下面增加IPADDR="192.168.88.101",NETMASK="255.255.255.0",GATEWAY="192.168.88.2",DNS1="192.168.88.2"。wq保存。systemctl restart network。另外两台同样配置，只是IPADDR分别为102、103。

配置主机映射：windows中，c/windows/system/drivers/etc/hosts，打开，增加并保存，保存的时候需要管理员权限，点击是：

192.168.88.101 node1

192.168.88.102 node2

192.168.88.103 node3

在linux中，使用finalshell远程连接，root用户。vim /etc/hosts，增加并保存：

192.168.88.101 node1

192.168.88.102 node2

192.168.88.103 node3

配置ssh免密登录：在每台上执行：ssh-keygen -t rsa -b 4096，一路回车到底。在每台上执行：ssh-copy-id node1，过程中输入密码。

ssh-copy-id node2

ssh-copy-id node3

完成后，在node1上执行ssh node3，成功即可。

创建hadoop用户：用来启动大数据相关程序。每台上执行：useradd hadoop。passwd hadoop，输入密码。su - hadoop，进行hadoop用户，配置免密登录，流程参上。

jdk环境部署：root下node1，mkdir -p /export/server。rz，选择jdk压缩包上传。解压：tar -zxvf 压缩包名字 -C /export/server/ 。配置软连接：ln -s /export/server/解压后的名字 jdk。配置环境变量：vim etc/profile，export JAVA_HOME=/export/server/jdk，export PATH=$PAYH:$JAVA_HOME/bin，保存退出。生效环境变量：source /etc/profile。配置java执行程序的软连接：rm -f /usr/bin/java，ln -s /export/server/jdk/bin/java /usr/bin/java。验证java -version，javac -version。server文件夹下分发：scp -r 解压后jdk的名字 node2:pwd/,scp -r 解压后jdk的名字 node3:pwd/。在node2和node3，root下，配置软连接，环境变量，验证。

防火墙设置：root，每台机器执行：systemctl stop firewalld，systemctl disable firewalld，vim /etc/sysconfig/selinux，第七行SELINUX=disabled，保存退出。init 6 重启。

时区和网络同步：root，每台机器执行：可以先执行date，看一下时间是否如当前所示。安装ntp，yum install -y ntp，更新时区：rm -f /etc/localtime，ln -s /usr/share/zoneinfo/Asia/Shanghai /etc/localtime，再执行date查看，最后应为CST。校准：ntpdate -u ntp.aliyun.com。启动和自启：systemctl start ntpd，systemctl enable ntpd

配置不易，快照保存！！！

2.2部署HDFS集群

node1，root，上传hadoop压缩包。解压：tar -zxvf hadoop-3.3.4.tar.gz -C /export/server/。进入server文件夹cd /export/server，构建软连接：ln -s /export/server/hadoop-3.3.4 hadoop。

修改配置文件：cd /export/server/hadoop/etc/hadoop。第一：vim workers，添加保存：

node1

node2

node3

第二：vim hadoop-env.sh，添加：

export JAVA_HOME=/export/server/jdk

export HADOOP_HOME=/export/server/hadoop

export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop

export HADOOP_LOG_DIR=$HADOOP_HOME/logs

第三：vim core-site.sh，添加：

<configuration>
  <property>
    <name>fs.defaultFS</name>
    <value>hdfs://node1:8020</value>
  </property>

  <property>
    <name>io.file.buffer.size</name>
    <value>131072</value>
  </property>
</configuration>

第四：vim hdfs-site.xml，添加：

<configuration>
  <property>
    <name>dfs.datanode.data.dir.perm</name>
    <value>700</value>
  </property>
  <property>
    <name>dfs.namenode.name.dir</name>
    <value>/data/nn</value>
  </property>
  <property>
    <name>dfs.namenode.hosts</name>
    <value>node1,node2,node3</value>
  </property>
  <property>
    <name>dfs.blocksize</name>
    <value>268435456</value>
  </property>
  <property>
    <name>dfs.namenode.handler.count</name>
    <value>100</value>
  </property>
  <property>
    <name>dfs.datanode.data.dir</name>
    <value>/data/dn</value>
  </property>
</configuration>

创建文件夹：mkdir -p /data/nn，mkdir /data/dn。node2和node3中：mkdir -p /data/dn

分发：cd /export/server，scp -r hadoop-3.3.4 node2:pwd/，scp -r hadoop-3.3.4 node3:pwd/，

node2和node3中：ln -s /export/server/hadoop-3.3.4 hadoop

配置环境变量：node1，node2，node3：vim /etc/profile，添加：

export HADOOP_HOME=/export/server/hadoop

export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin

保存退出，执行source /etc/profile，重启环境变量。

授权hadoop用户：root，node1，node2，node3中：chown -R hadoop:hadoop /data，chown -R hadoop:hadoop /export 。

格式化：node1：su - hadoop，hadoop namenode -format

启动验证：每台机器上hadoop用户下，start-dfs.sh。输入jps，出现角色。

配置不易，快照保存！！！

2.3mapreduce配置和yarn部署

mapreduce：node1，hadoop。cd /export/server/hadoop/etc/hadoop，vim mapred-env.sh，

添加：

export JAVA_HOME=/export/server/jdk

export HADOOP_JOB_HISTORYSERVER_HEAPSIZE=1000

export HADOOP_MAPRED_ROOT_LOGGER=INFO,RFA

vim mapred.site.xml，添加：

<configuration>
  <property>
    <name>mapreduce.framework.name</name>
    <value>yarn</value>
    <description></description>
  </property>

  <property>
    <name>mapreduce.jobhistory.address</name>
    <value>node1:10020</value>
    <description></description>
  </property>

  <property>
    <name>mapreduce.jobhistory.webapp.address</name>
    <value>node1:19888</value>
    <description></description>
  </property>

  <property>
    <name>mapreduce.jobhistory.intermediate-done-dir</name>
    <value>/data/mr-history/tmp</value>
    <description></description>
  </property>

  <property>
    <name>mapreduce.jobhistory.done-dir</name>
    <value>/data/mr-history/done</value>
    <description></description>
  </property>
<property>
  <name>yarn.app.mapreduce.am.env</name>
  <value>HADOOP_MAPRED_HOME=$HADOOP_HOME</value>
</property>
<property>
  <name>mapreduce.map.env</name>
  <value>HADOOP_MAPRED_HOME=$HADOOP_HOME</value>
</property>
<property>
  <name>mapreduce.reduce.env</name>
  <value>HADOOP_MAPRED_HOME=$HADOOP_HOME</value>
</property>
</configuration>

yarn：node1，hadoop。cd /export/server/hadoop/etc/hadoop，vim yarn-env.sh，添加：

export JAVA_HOME=/export/server/jdk

export HADOOP_HOME=/export/server/hadoop

export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop

export HADOOP_LOG_DIR=$HADOOP_HOME/logs

vim yarn-site.xml，添加：

<configuration>

<!-- Site specific YARN configuration properties -->
<property>
    <name>yarn.log.server.url</name>
    <value>http://node1:19888/jobhistory/logs</value>
    <description></description>
</property>

  <property>
    <name>yarn.web-proxy.address</name>
    <value>node1:8089</value>
    <description>proxy server hostname and port</description>
  </property>

  <property>
    <name>yarn.log-aggregation-enable</name>
    <value>true</value>
    <description>Configuration to enable or disable log aggregation</description>
  </property>

  <property>
    <name>yarn.nodemanager.remote-app-log-dir</name>
    <value>/tmp/logs</value>
    <description>Configuration to enable or disable log aggregation</description>
  </property>

<!-- Site specific YARN configuration properties -->
  <property>
    <name>yarn.resourcemanager.hostname</name>
    <value>node1</value>
    <description></description>
  </property>

  <property>
    <name>yarn.resourcemanager.scheduler.class</name>
    <value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.fair.FairScheduler</value>
    <description></description>
  </property>

  <property>
    <name>yarn.nodemanager.local-dirs</name>
    <value>/data/nm-local</value>
    <description>Comma-separated list of paths on the local filesystem where intermediate data is written.</description>
  </property>

  <property>
    <name>yarn.nodemanager.log-dirs</name>
    <value>/data/nm-log</value>
    <description>Comma-separated list of paths on the local filesystem where logs are written.</description>
  </property>

  <property>
    <name>yarn.nodemanager.log.retain-seconds</name>
    <value>10800</value>
    <description>Default time (in seconds) to retain log files on the NodeManager Only applicable if log-aggregation is disabled.</description>
  </property>

  <property>
    <name>yarn.nodemanager.aux-services</name>
    <value>mapreduce_shuffle</value>
    <description>Shuffle service that needs to be set for Map Reduce applications.</description>
  </property>
</configuration>

分发：scp mapred-env.sh mapred-site.xml yarn-env.sh yarn-site.xml node2:pwd/，scp mapred-env.sh mapred-site.xml yarn-env.sh yarn-site.xml node3:pwd/

启动：hadoop用户下，start-yarn.sh，mapred --daemon start historyserver，jps。

配置不易，快照保存！！！

2.4部署hive集群

安装mysql数据库：node1上使用yum安装mysql5.7。更新密钥：rpm --import https://repo.mysql.com/RPM-GPG-KEY-mysql-2022。安装mysql：rpm -Uvh https://repo.mysql.com//mysql57-community-release-el7-7.noarch.rpm，yum -y install mysql-community-server。启动mysql并设置开机自启：systemctl start mysqld，systemctl enable mysqld。查看密码：grep 'temporary password' /var/log/mysqld.log。登录：mysql -uroot -p，输入查找的密码。设置简单密码：set global validate_password_policy=LOW;，set global validate_password_length=4;，ALTER USER 'root'@'localhost' IDENTIFIED BY '要设置的密码';，设置远程连接：grant all privileges on . to root@"%" identified by '设置的密码' with grant option;，flush privileges;。

配置hadoop：node1，root用户。cd /export/server/hadoop/etc/hadoop，vim core-site.xml，添加：

将hive压缩包和mysql驱动包上传linux，移动驱动包：mv mysql-connector-java-5.1.34.jar /export/server/hive/lib/，解压：tar zxvf apache-hive-3.1.3-bin.tar.gz -C /export/server/，软连接：ln -s /export/server/apache-hive-3.1.3-bin /export/sever/hive。配置环境变量：cd /export/server/hive/conf，mv hive.env.sh.template hive.env.sh，vim hive.env.sh，添加：

export HADOOP_HOME=/export/server/hadoop

export HIVE_CONF_DIR=/export/server/hive/conf

export HIVE_AUX_JARS_PATH=/export/server/hive/lib

vim hive-site.xml，添加：

初始化元数据库：在mysql中新建数据库，create database hive charset utf-8;。格式化：cd /export/server/hive，bin/schematool -initSchema -dbType mysql -verbos。

修改权限：chown hadoop:hadoop apache-hive-3.1.3-bin hive。进入hadoop用户，mkdir /export/server/hive/logs

启动元数据服务，后台启动：node1,hadoop用户，cd /export/server/hive，nohup bin/hive --service metastore >> logs/metastore.log 2>&1 &。

启动客户端：cd /export/server/hive，bin/hive，quit退出。启动前打开hdfs集群和yarn集群。

dbeaver连接hive：node1，hadoop用户，cd/export/server/hive，先启动元数据服务，nohup bin/hive --service metastore >> logs/metastore.log 2>&1 &。然后启动hiveserver2，nohup bin/hive --service hiveserver2 >> logs/hiveserver2.log 2>&1 &。开启这两个后，jps会出现两个RunJar。打开dbeaver（自行下载），连接apache hive，填写信息（node1，hadoop），在驱动配置中更改库的配置，删除原有的两个，配置hive-jdbc-3.1.2-standalone.jar，测试连接，完成。该模式hive内部表的计算是基于mapreduce。

配置不易，快照保存！！！

2.5部署zookeeper

node1，root。下载：wget http://archive.apache.org/dist/zookeeper/zookeeper-3.5.9/apache-zookeeper-3.5.9-bin.tar.gz。解压：tar -zxvf apache-zookeeper-3.5.9-bin.tar.gz -C/export/server。软连接：ln -s /export/server/apache-zookeeper-3.5.9-bin /export/server/zookeeper。修改配置文件：vim /export/server/zookeeper/conf/zoo.cfg，修改并添加：

tickTime=2000

dataDir=/export/server/zookeeper/data

clientPort=2181

initLimit=5

syncLimit=2

server.1=node1:2888:3888

server.2=node2:2888:3888

server.3=node3:2888:3888

创建文件夹：mkdir /export/server/zookeeper/data。创建文件：vim /export/server/zookeeper/data/myid，添加：1。

分发：scp -r apache-zookeeper-3.5.9-bin node2:pwd/，scp -r apache-zookeeper-3.5.9-bin node3:pwd/。在node2和node3设置软连接：ln -s /export/server/apache-zookeeper-3.5.9-bin /export/server/zookeeper。将node2和node3中的myid文件内容改为2和3。

修改权限：chown hadoop:hadoop apache-zookeeper-3.5.9 zookeeper。

启动：每台机器，hadoop用户下，/export/server/zookeeper/bin/zkServer.sh start，jps，查看进程，出现QuorumPeerMain。/export/server/zookeeper/bin/zkServer.sh stop，关闭。

配置不易，快照保存！！！

2.6部署anaconda3

三台机器上都执行：

root用户，上传anaconda3压缩包，解压：sh anaconda3-2021.05-Linux-x86_64.sh，回车继续，出现more按空格，后面选择yes，安装路径填写：/export/server/anaconda3，。。。到完成。 关闭finalshell重新连接，在最开始出现（base）即为成功。（如果不想每次打开都带base，想和之前一样。做法为，root目录下，vim .bashrc，最后添加：conda deactivate。重启就行了）

设置国内源：root目录下，vim .condarc，添加：

channels:
  - defaults
show_channel_urls: true
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

构建pyspark环境：conda create -n pyspark python=3.8

conda activate pyspark，python，进入即为成功。

2.7部署spark local模式

在node1，root用户。上传spark压缩包，解压到/export/server/，并设置软连接spark。

修改环境变量：vim /etc/profile，添加：

export SPARK_HOME=/export/server/spark
export PYSPARK_PYTHON=/export/server/anaconda3/envs/pyspark/bin/python3.8
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop

vim .bashrc，添加：

export PATH=/export/server/anaconda3/bin:$PATH
export JAVA_HOME=/export/server/jdk
export PYSPARK_PYTHON=/export/server/anaconda3/envs/pyspark/bin/python3.8

测试：cd /export/server/spark/bin，执行./pyspark，运行成功即可。

2.8部署stand alone模式

这里要说明一件事情：该模式属于spark集群，需要多台服务器进行运算。但考虑到实际情况服务器不能满足需求，便出现了一种新的spark运算模式，即spark on yarn。该模式在装有hadoop集群（内有yarn集群）下，不需要spark搭建集群环境，只需要一台机器充当spark的客户端，提交任务到yarn运行。所以stand alone可以不装，直接安装spark on yarn模式。

node2和node3中，root用户。修改/etc/profile和.bashrc，内容和2.7一致。

node1，root用户。修改权限：chown -R hadoop:hadoop spark*，切换hadoop用户。

开启hdfs、yarn、历史服务器。

start-dfs.sh
start-yarn.sh
mapred --daemon start historyserver

cd /export/server/spark/conf/，mv workers.template workers，vim workers，添加：

node1

node2

node3

mv spark-env.sh.template spark-env.sh，vim spark-env.sh，添加：

#设置java安装目录
JAVA_HOME=/export/server/jdk
#hadoop文件配置目录，读取hdfs文件和运行yarn
HADOOP_CONF_DIR=/export/server/hadoop/etc/hadoop/
YARN_CONF_DIR=/export/server/hadoop/etc/hadoop/
#告知spark的master运行在那台机器
export SPARK_MASTER_HOST=node1
#spark的master的通讯端口
export SPARK_MASTER_PORT=7077
#spark的master的webui端口
SPARK_MASTER_WEBUI_PORT=8080
#worker cpu可用内核数
SPARK_WORKER_CORES=1
#worker可用内存
SPARK_WORKER_MEMORY=1g
#worker工作的通讯地址
SPARK_WORKER_PORT=7078
#worker的webui端口
SPARK_WORKER_WEBUI_PORT=8081
#设置历史服务器，将spark的运行日志保存在hdfs的/sparklog文件夹
SPARK_HISTORY_OPTS="-Dspark.history.fs.logDirectory=hdfs://node1:8020/sparklog/ -Dspark.history.fs.cleaner.enabled=true"

创建保存日志的文件夹：hadoop fs -mkdir /sparklog，hadoop fs -chmod 777 /sparklog

mv spark-defaults.conf.template spark-defaults.conf，vim spark-defaults.conf，添加：

spark.eventLog.enabled  true
spark.eventLog.dir      hdfs://node1:8020/sparklog/
spark.eventLog.compress true

mv log4j.properties.template log4j.properties，vim log4j.properties，修改：

log4j.rootCategory=WARN,console

分发：cd /export/server/，scp -r spark-3.2.0-bin-hadoop3.2 node2:pwd/，scp -r spark-3.2.0-bin-hadoop3.2 node2:pwd/。到node2和node3中，切换hadoop用户，cd /export/server/，ln -s spark-3.2.0-bin-hadoop3.2 spark。

运行测试：node1，hadoop用户。cd /export/server/spark/，启动历史服务器：sbin/start-history-server.sh，jps出现Historyserver即为成功。启动角色：sbin/start-all.sh，jps出现master和worker即为成功。在node2和node3，hadoop用户下，jps出现worker。

webui测试：网页输入node1:8080，出现内容。

2.9部署stand alone HA模式

node1，hadoop用户，cd /export/server/spark/conf，vim spark-env.sh，进行以下修改：

#注释或删除下行
export SPARK_MASTER_HOST=node1
#在最后添加以下内容
SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=node1:2181,node2:2181,node3:2181 -Dspark.deploy.zookeeper.dir=/spark-ha"

将该文件分发：scp -r spark-env.sh node2:pwd/，scp-r spark-env.sh node3:pwd/。

使用过程：启动hadoop，zookeeper，spark。在node2上启动spark的master，sbin/start-master.sh。这样就有两个master，可以查看进程，node1:8080，node2:8082。

2.10部署spark on yarn模式

该模式部署简单，只需要确保spark-env.sh文件中指明HADOOP_CONF_DIR和
YARN_CONF_DIR。

运行：cd /export/server/spark/bin/pyspark --master yarn，运行成功即可。运行此模式前需要打开hdfs、yarn、mphistoryserver、sparkhistoryserver。

2.11pyspark库安装和远程连接

linux上，node1、node2、node3，root用户。conda activate pyspark，pip install pyspark -i https://pypi.tuna.tsinghua.edu.cn/simple。验证，python，import pyspark。

配置不易，快照保存！！！

window配置pyspark库：需要安装jdk、hadoop（不是必须）、python（anaconda）。

jdk部分：这里使用的版本和linux上的一致。安装过程省略，网上搜索即可。需要注意，环境变量中系统变量添加JAVA_HOME，path指向bin，要不后续运行pyspark库报错。

hadoop部分：将hadoop-3.3.0文件夹中bin文件夹的hadoop.dll复制到C:\windows\System32里面。在环境变量配置中，系统变量新建：HADOOP_HOME，指向hadoop3.3.0文件夹的位置，在path添加：%HADOOP_HOME%\bin，这里主要使用到文件夹内的winutils文件。这个过程是打补丁，避免hadoop在window上运行有报错。

{关于hadoop-3.3.0文件夹，需要安装hadoop才会有，安装那个版本就会有那个版本的文件夹。不过同3.x下的应该也可以。另外还有一种方法不需要安装hadoop，即：找地方下载winutils文件（网上有，搜索即可），建立hadoop\bin文件夹目录，将winutils放进去，配置环境变量：HADOOP_HOME，指向hadoop文件夹位置，path添加：%HADOOP_HOME%\bin。}

window上安装python：这里使用anaconda3安装，内部配置的python3.8版本。流程省略，网上搜索即可。在自己的用户名目录下添加.condarc文本文件，内容如下：

channels:
  - defaults
show_channel_urls: true
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

主要为了使用conda安装能快点。如果创建了这个文件速度还是不行，在终端输入以下代码创建也可以：

#一条一条输入
conda config -add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
conda config -add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
conda config -add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2

终端输入conda create -n pyspark python=3.8，conda activate pyspark，pip install pyspark -i https://pypi.tuna.tsinghua.edu.cn/simple。验证，python，import pyspark。

打开环境变量设置，在系统变量下添加PYSPARK_PYTHON，指向anaconda中pyspark环境中python.exe的位置。

关于python的开发环境，这里选择vscode。打开vscode，配置python解释器，一般自动就配上了，如果没有，手动配置，选在pyspark环境下的python。创建文件就可以编写代码了，pyspark也可以使用了。输入以下代码验证：

#这是个词频统计实例
from pyspark import SparkConf, SparkContext

if __name__ == '__main__':
    conf = SparkConf().setMaster("local[*]").setAppName("WordCountHelloWorld")
    
    sc = SparkContext(conf=conf)
   #words.txt自己创建，路径自选，里面写了多个相同的单词，以空格隔开。
    filed_rdd = sc.textFile("d:/code/PYthon/data/words.txt")

    words_rdd = filed_rdd.flatMap(lambda line: line.split(" "))

    words_with_one_rdd = words_rdd.map(lambda x: (x, 1))

    results_rdd = words_with_one_rdd.reduceByKey(lambda a, b: a+b)

    print(results_rdd.collect())

对于远程连接，还是vscode。打开node1，打开vscode，下载remote-ssh。完成后左边出现小电脑的标志，点击它，在SSH右边有个+，点击，页面上方输入用户名@IP地址，例如：root@111.111.111.11（这里使用的root用户，ip地址选择node1的地址，具体可以登录node1终端，ifconfig，ens33里面的就是IP地址）。端口号不用指定，使用默认22端口即可。输入完成按enter键，选择第一个.ssh\config。右下角弹出，选择open config，主要看一下config内容。关闭重新打开vscode，左边点击小电脑，出现远程连接的电脑，点击右边的箭头，页面上方依次选择linux、continue、输入登录密码。左边点击小店脑，连接的电脑出现小对号，左下方出现IP地址即为成功。

2.12使用JDBC协议来接mysql

window上，将mysql的jar包（我使用的mysql8）放在ananconda3目录下，envs\pyspark\Lib\site-packages\pyspark\jars。

linux上，将mysql的jar包（我使用的mysql8）放/export/server/ananconda3/envs/pyspark/lib/python3.8/site-packages/pyspark/jars。

这样就可以在vscode上将数据写到MySQL中，以及从MySQL中读取数据。

2.1.3部署hive和spark集成

node1，hadoop用户，cd /export/server/spark/conf，vim hive-site.xml，添加：

<configuration>
  <property>
    <name>hive.metastore.warehouse.dir</name>
    <value>/user/hive/warehouse</value>
    <description></description>
  </property>

  <property>
    <name>hive.metastore.uris</name>
    <value>thrift://node1:9083</value>
    <description></description>
  </property>
</configuration>

配置mysql驱动jar包：将mysql8的jar包上传到/export/server/spark/jars下。、

启动：如果运行yarn模式，先打开hdfs、yarn、mphistoryserver、matestore、sparkhistoryserver。

cd /export/server/spark，sbin/start-thriftserver.sh --hiveconf hive.server2.thrift.port=1000 --hiveconf hive.server2.thrift.bind.host=node1 --master local[*] #可以选择local或者yarn。打开dbeaver，连接apache spark，填写相关信息（node1，hadoop），测试连接，完成。该模式hive内部关于表的计算是基于sparkrdd的，这就配置了hive on spark模式。

对于spark on hive，就是在spark的代码中，连接hive，并从hive中读取数据进行建模分析。

后续pyspark相关配置的使用，如有心得，会继续记录。

上述是本人一步一步学习搭建并记录得来，具有可行性。

如果感兴趣，可以尝试进行搭建。如有错误，请指出。

感谢您的关注。