pycharm怎么利用pyspark實(shí)現(xiàn)遠(yuǎn)程連接spark集群

在機(jī)器學(xué)習(xí)的過程中我們可能會(huì)涉及到spark集群的操作，這時(shí)候我們可以使用pyspark庫來進(jìn)行spark集群的遠(yuǎn)程連接。當(dāng)然，使用python的集成開發(fā)環(huán)境pycharm來進(jìn)行遠(yuǎn)程連接代碼的編寫和調(diào)試會(huì)更加方便，接下來我們就來了解一下pycharm怎么遠(yuǎn)程連接spark集群吧。

0 背景

由于工作需要，利用spark完成機(jī)器學(xué)習(xí)。因此需要對spark集群進(jìn)行操作。所以利用pycharm和pyspark遠(yuǎn)程連接spark集群。這里記錄下遇到的問題及方法。
主要是參照下面的文獻(xiàn)完成相應(yīng)的內(nèi)容，但是具體問題要具體分析。

1 方法

1.1 軟件配置
spark2.3.3, hadoop2.6, python3
1.2 spark配置
Spark集群的每個(gè)節(jié)點(diǎn)的Python版本必須保持一致。在每個(gè)節(jié)點(diǎn)的$SPARK_HOME/conf/spark-env.sh中添加一行：具體看你的安裝目錄。

export PYSPARK_PYTHON=/home/hadoop/anaconda2/bin/python3

此步驟就是將python添加到spark的配置中。
此時(shí)，在服務(wù)器命令行輸入pyspark時(shí)，可以正常進(jìn)入spark。
1.3本地配置
1.3.1 首先將spark2.3.3從服務(wù)器拷貝到本地。
注意： 由于我集群安裝的是spark-2.3.3-bin-without-hadoop。但是拷貝到本地后，總是報(bào)錯(cuò)Java gateway process… 。同時(shí)我將hadoop2.6,的包也從服務(wù)器拷貝到本地加載到程序中，同樣報(bào)錯(cuò)。
最后，直接從spark的官網(wǎng)中，下載了spark-2.3.3-bin-hadoop2.6，這回就可以了。
pyspark的版本與spark的版本最好對應(yīng)。比如pyspark2.3.3，spark2.3.3

# os.environ['SPARK_HOME'] = r"F:ig_dataspark-2.3.3-bin-without-hadoop"(無用)
os.environ['SPARK_HOME'] = r"F:ig_dataspark-2.3.3-bin-hadoop2.6"（有用）
# os.environ["HADOOP_HOME"] = r"F:ig_datahadoop-2.6.5"（無用）
# os.environ['JAVA_HOME'] = r"F:Javajdk1.8.0_144"（無用）

1.3.2
C:WindowsSystem32….hosts(Windows機(jī)器)中加入Spark集群Master節(jié)點(diǎn)的IP與主機(jī)名的映射。需要管理員權(quán)限修改。

其中的spark_cluster就是對于Master的IP的映射名。（直接寫IP一樣可以，映射名是為了方便）
1.3.3
添加剛剛下載解壓好的spark的python目錄到pycharm的project structure

1.3.4
新建py文件，編輯Edit Configurations添加SPARK_HOME變量

注意： 在實(shí)際中，這個(gè)不添加好像也可以。只需要在程序中加載了spark_home.比如os.envion(…spark…)

2 測試

import os
from pyspark import SparkContext
from pyspark import SparkConf
# os.environ['SPARK_HOME'] = r"F:ig_dataspark-2.3.3-bin-without-hadoop"
os.environ['SPARK_HOME'] = r"F:ig_dataspark-2.3.3-bin-hadoop2.6"
# os.environ["HADOOP_HOME"] = r"F:ig_datahadoop-2.6.5"
# os.environ['JAVA_HOME'] = r"F:Javajdk1.8.0_144"
print(0)
conf = SparkConf().setMaster("spark://spark_cluster:7077").setAppName("test")
sc = SparkContext(conf=conf)
print(1)
logData = sc.textFile("file:///opt/spark-2.3.3-bin-without-hadoop/README.md").cache()
print(2)
print("num of a",logData)
sc.stop()

3 參考

PyCharm+PySpark遠(yuǎn)程調(diào)試的環(huán)境配置的方法
Spark下：Java gateway process exited before sending the driver its port number等問題

估計(jì)每個(gè)人遇到的問題不一樣，但是大同小異，具體問題具體分析。

到此這篇pycharm怎么遠(yuǎn)程連接spark集群的文章就介紹到這了,更多機(jī)器學(xué)習(xí)內(nèi)容請關(guān)注W3Cschool。