Linux系统下Spark的下载与安装（pyspark运行示例）

最近需要完成数据课程的作业，因此实践了一下如何安装并配置好spark

1、版本要求

由于我想要将hadoop和spark一起使用，因此必须确定好spark的版本

Spark和Hadoop版本对应关系如下：
Spark版本Hadoop版本2.4.x2.7.x3.0.x3.2.x
可进入终端查看Hadoop版本

hadoop version

我这里的版本是2.7.1，因此选择下载2.4版本的spark

Spark历史版本下载地址：Index of /dist/spark

找到适合自己的版本进行下载，这里我选择带有Hadoop scala的版本进行下载

2、Spark安装

Spark部署模式主要有四种：Local模式（单机模式）、Standalone模式（使用Spark自带的简单集群管理器）、YARN模式（使用YARN作为集群管理器）和Mesos模式（使用Mesos作为集群管理器）。这里介绍Local模式（单机模式）的 Spark安装

（1）文件解压到指定位置

sudo tar -zxf ~/下载/spark-2.4.7-bin-hadoop2.7.tgz -C /usr/local/

为了方便，还可以将文件夹重命名为spark，并更改文件所有者，下述的hadoop为用户名，更改为自己的用户名

sudo mv ./spark-2.4.7-bin-hadoop2.7/ ./spark
sudo chown -R hadoop:hadoop ./spark

（2）修改配置文件spark-env.sh

将临时文件复制，并修改

cp ./conf/spark-env.sh.template ./conf/spark-env.sh
vim ./conf/spark-env.sh

在该文件首行添加

export SPARK_DIST_CLASSPATH=$(/usr/local/hadoop/bin/hadoop classpath)

这样配置过后，spark能将数据存储到hadoop的HDFS中，同样也能从HDFS中读取数据，建立起Hadoop和Spark的连接。

（3）修改环境变量

vim ~/.bashrc

在文件中添加spark的地址，以便能够快速访问

export SPARK_HOME=/usr/local/spark
export PYTHONPATH=$SPARK_HOME/python:$SPARK_HOME/python/lib/py4j-0.10.7-src.zip:$PYTHONPATH
export PYSPARK_PYTHON=python3
export PATH=$HADOOP_HOME/bin:$SPARK_HOME/bin:$PATH

不同的环境变量之间用":"隔开，田间PYTHONPATH主要是为了在python3中引入pyspark库

然后输入命令让环境变量生效

source ~/.bashrc

3、Spark的验证

进入spark安装目录，并输入一段代码进行例子验证

bin/run-example SparkPi 2>&1 | grep "Pi is"

能够计算出Pi的值，说明spark已经安装成功啦！

接下来进行pyspark的使用，进入spark的安装目录，并输入命令

cd /usr/local/spark
bin/pyspark

然后你会看到一些error，出现报错

return types.CodeType(
TypeError: an integer is required (got type bytes)

这是由于pyspark对于高版本的python不兼容，建议python版本在3.6，我这里激活了一下anaconda安装下的虚拟环境，虚拟环境中，python版本为3.6

然后运行成功啦！

至此就可以使用pyspark进行编程，这对不熟悉scala语言的人来说十分友好~

都看到这里了，给个小心心呗♥~