使用anaconda3安装pyspark

1. 下载安装：

下载地址：wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-5.0.1-Linux-x86_64.sh --no-check-certificate

（最新版本：wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-2021.11-Linux-x86_64.sh --no-check-certificate）

下载完后，执行Anaconda3-5.0.1-Linux-x86_64.sh脚本就可以安装。

安装提示：

提示一：

Do you accept the license terms? [yes|no]
[no] >>> yes

提示二：

Anaconda3 will now be installed into this location:
/home/hadoop//anaconda3

- Press ENTER to confirm the location
- Press CTRL-C to abort the installation
- Or specify a different location below

这时候可以自己输入指定的安装目录，比如我输入/home/hadoop/bigdata/anaconda3/

提示三：确认是否自动加安装路径添加到环境变量中，选择yes

Do you wish the installer to prepend the Anaconda3 install location
to PATH in your /home/hadoop//.bashrc ? [yes|no]
[no] >>> yes

2. 配置jupyter notebook服务

2.1 生成配置文件

cd /home/hadoop/bigdata/anaconda3/bin/
./jupyter notebook --generate-config

2.2 生成密码

./ipython 

In [1]: from notebook.auth import passwd
In [2]: passwd()
Enter password: 
Verify password: 
Out[2]: 'sha1:297308f26ac6:bc524d2e1afafdbb798456a9161254962968b113'
In [3]: quit()

----------------------新版本-----------------------------------

In [1]: from notebook.auth import passwd

In [2]: passwd()
Enter password:
Verify password:
Out[2]: 'argon2:$argon2id$v=19$m=10240,t=10,p=8$qprVWqc29AMaxanqkCjs1g$AQv2lP0mb05cVRUSjIVMZA'
In [3]: quit()

这时候把Out[2] 上显示的密码记录下来。

2.3 修改jupyter_notebook_config.py文件 

vim jupyter_notebook_config.py 

#c.NotebookApp.password_required=True
c.NotebookApp.notebook_dir='/home/hadoop/jupyter_notebook'
#c.NotebookApp.allow_root=True
c.NotebookApp.ip='*'
c.NotebookApp.open_browser=False
#c.NotebookApp.password='刚才生成的sha1'
c.NotebookApp.port=7070 #此端口为不使用pyspark的端口

3. 配置环境变量

 vim /etc/profile

export ANACONDA_HOME=/home/hadoop/bigdata/anaconda3
export PATH=$PATH:$ANACONDA_HOME/bin
export PYSPARK_DRIVER_PYTHON=jupyter-notebook
export PYSPARK_DRIVER_PYTHON_OPTS="--ip=0.0.0.0 --port=8888"

或者，也可以只在/etc/profile中配置anaconda3的PATH路径如下：

# added by Anaconda3 installer
export PATH=/home/hadoop/bigdata/anaconda3/bin:$PATH

然后在spark的spark-env.sh配置如下

4. 创建虚拟环境，并激活

conda create -n pyspark-env python=3.6
source activate pyspark-env

5. 在虚拟环境中安装依赖包

conda install -n pyspark-env pyarrow=0.9.0
conda install -n pyspark-env numpy=1.16.6
conda install -n pyspark-env mkl=2021.4.0

6.启动

pyspark

7. 在浏览器中输入 ip地址:8888

建立文件夹，建立python3测试文件。

"""SimpleApp.py"""
from pyspark.sql import SparkSession

logFile = "/tmp/logs/LICENSE"  

# Should be some file on your system
spark = SparkSession.builder.appName("SimpleApp").getOrCreate()
logData = spark.read.text(logFile).cache()

numAs = logData.filter(logData.value.contains('a')).count()
numBs = logData.filter(logData.value.contains('b')).count()

print("Lines with a: %i, lines with b: %i" % (numAs, numBs))

spark.stop()

 上面是测试代码，logFile是存在于hdfs上的文件，自己找个文本文件上传即可。

执行机器学习样例 

8. 指定jupyter虚拟环境配置

 注意：此时在jupyter notebook中运行环境并不是我们指定的虚拟环境，而只是默认的环境。

 所以需要参考 https://www.cnblogs.com/30go/p/16028840.html 来完成指定虚拟环境在jupyter中的配置。

9.  通过打包不同环境解决不同的版本问题

使用conda可以解决不同的脚本需要不同版本的python或者其他环境。

通过将环境打包，在执行任务时指定环境包即可。

zip -r -9 -q py36spark.zip py36spark
或者
conda pack -n py36spark

建议使用conda pack，压缩比高，生成的文件较小。

安装conda pack 建议直接用pip install conda-pack

10. 后台启动脚本

新建脚本文件名 start_pyspark_backend.sh，放到spark的目录中/home/hadoop/bigdata/spark。

命令如下：

#!/bin/sh

nohup pyspark > ./logs/pyspark.log 2>&1 & echo $! > pyspark.pid

这样执行该脚本，就在后台启动。