PySpark是Python整合Spark的一个扩展包，可以使用Python进行Spark开发。而PySpark需要依赖Spark环境，Spark需要依赖Hadoop环境，而且，本地环境需要安装JDK和Scala。

一、环境准备

• Scala环境搭建，本例环境为2.11.8
• JDK环境搭建，本例环境为jdk1.8
• Python环境准备，本例环境为Anaconda，版本为python 3.7

说明

• 本例中假设上述环境已经搭建成功
• 本例中所有环境均搭建在本地，本例为windows10

二、环境搭建

方案一

在本地搭建Hadoop+Spark+Python环境

1）Hadoop环境搭建

• 安装包下载

官方下载地址：https://www.apache.org/dist/hadoop/common/选择你需要的版本

• 本地解压

将下载好的包解压到本地环境中，比如/D:/Hadoop/hadoop-2.8.5/

• 添加环境变量

  a.添加环境变量HADOOP_HOME=解压后路径，比如HADOOP_HOME=D:\Hadoop\hadoop-2.8.5

  b.向PATH中添加追加HADOOP_HOME\bin

• 测试环境

命令行中输入hadoop version出现版本信息，表示搭建成功

• 本地bin目录替换

因为hadoop是搭建在linux集群上的，搭建本地环境（windows）需要windows环境支持包，这里我们直接替换本地hadoop的bin文件夹。
下载地址：https://github.com/cdarlint/winutils，下载对应版本替换本地/bin目录

2）Spark环境搭建

• 安装包下载

官方地址：https://archive.apache.org/dist/spark/，选择Spark版本以及对应hadoop版本

• 本地解压

解压到本地环境中，比如D:\Spark\spark-2.2.0-bin-hadoop2.7

• 添加环境变量

  a. 添加环境变量SPARK_HOME=解压后的目录，比如SPARK_HOME=D:\Spark\spark-2.2.0-bin-hadoop2.7
  b. 向PATH追加SPARK_HOME\bin

• 测试环境

命令行中输入spark-shell出现

• 说明
  如果出现类似缺少winutil或者hivesession等错误，检查hadoop\bin文件夹是否替换成功，或者替换的版本是否一致。

3) pyspark环境整合

• 安装包解压

a. 复制spark安装目录\python\lib中的py4j-0.10.4-src.zip和pyspark.zip包，如：

b. 粘贴包并解压至Anaconda安装目录\Lib\site-package下，如果没有使用Anaconda，把Anaconda安装目录替换成Python安装目录。如：

• 本地测试

在命令行输入python进入python环境，输入import pyspark as ps不报错即表示成功

方案二

该方案与上述Spark环境搭建基本一致

• 直接从官网获取完整的Pyspark包
• 解压到本地环境中
• 配置环境变量PYSPARK_HOME，以及path追加PYSPARK_HOME\bin
• 复制并解压pyspark解压目录\python\lib中的py4j和pyspark包到Anaconda安装目录\Lib\site-package中

结语

对于Python和Spark的整合，虽然官方提供了相关包Pyspark，Pyspark是依赖Py4j包的。除此之外，还需要基于一些已有的环境，整体完整的环境为JDK+Scala+Hadoop+Spark+Python以及常用的IDE，笔者这里使用的是PyCharm。