PySpark 安装教程及 WordCount 实战与任务提交
学习 PySpark 安装教程是掌握大数据处理的第一步。无论你是在 Windows 还是 Linux 系统上进行 PySpark 安装与部署，都需要正确配置环境才能顺利运行。PySpark 作为 Apache Spark 的官方 Python API，结合了 Python 的简洁和 Spark 的分布式计算能力，被广泛应用于 大数据分析、机器学习和数据科学。
一、准备 PySpark 的 Win/Linux 环境
在开始之前，无论是 Windows 还是 Linux，我们都需要准备好基础环境。使用 Anaconda 可以极大地简化环境管理和包安装的复杂性，是目前最推荐的入门方式。
前提条件：
- Java 开发工具包 (JDK)：Spark 运行在 JVM 之上，因此必须安装 JDK (推荐 1.8 或 11 版本)。
- Anaconda / Miniconda：一个强大的 Python 环境和包管理器。
1.1.Linux 环境安装部署
1. 安装 Anaconda
Anaconda 是一个包含 Python、常用科学计算包以及conda环境管理器的发行版。
关于如何在 Linux 系统上详细安装和配置 Anaconda，读者可以参考这篇更为详尽的文章:《Anaconda安装与使用详细教程》
2. 创建并激活 Conda 环境
为了保持项目环境的隔离，我们强烈建议创建一个专门用于 PySpark 的新环境。
# 创建一个名为 pyspark_env，使用 Python 3.8 的新环境
conda create -n pyspark_env python=3.8 -y# 激活这个新创建的环境
conda activate pyspark_env
3. 通过 conda 或 pip 安装 pyspark
在已激活的 pyspark_env 环境中，使用 conda 或 pip 安装 pyspark 包。pyspark 包会自动处理 Spark 的相关依赖。
# 推荐使用 conda-forge 渠道
conda install -c conda-forge pyspark=3.5.1 -y
# 或者使用 pip
# pip install pyspark==3.5.1
4. 验证安装
在已激活的 conda 环境中，直接输入 pyspark 命令。
pyspark
如果安装成功，你将看到 Spark 的 Logo 和一个交互式的 PySpark Shell 启动，并自动创建了 SparkContext 对象 (变量名为 sc) 和 SparkSession 对象 (变量名为 spark)。
还可以通过http://ip_addr:4040/jobs/，把ip_addr替换成你自己的ip地址，就可以访问到spark的webui界面
1.2.Windows 环境安装部署
1. 安装 Anaconda
这次要在windows端安装部署Anaconda，还是可以参考这篇文章《Anaconda安装与使用详细教程》
2. 创建并激活 Conda 环境
- 打开 Anaconda Prompt (从开始菜单中找到)。这是一个专门配置好
conda环境的命令行工具。 - 执行与 Linux 完全相同的命令来创建和激活环境。
# 创建一个名为 pyspark_env，使用 Python 3.8 的新环境
conda create -n pyspark_env python=3.8 -y# 激活这个新创建的环境
conda activate pyspark_env
- 你看到的命令行界面和提示信息将与Linux环境中的截图非常相似。
3. 通过 conda 或 pip 安装 pyspark
在已激活的 pyspark_env 环境中，同样执行与 Linux 完全相同的安装命令。pyspark 包会自动处理 Spark 的相关依赖，在 Windows 上无需手动下载Spark或配置winutils.exe。
:: 推荐使用 conda-forge 渠道
conda install -c conda-forge pyspark=3.5.1 -y
:: 或者使用 pip
:: pip install pyspark==3.5.1
4. 验证安装
- 在已激活的
pyspark_env的 Anaconda Prompt 中，直接输入pyspark命令。
pyspark
- 如果所有配置都正确，你将看到与 Linux 环境下相同的 Spark Logo 和交互式 Shell 启动。
- 同时，你也可以在浏览器中访问
http://localhost:4040来查看 Spark Web UI，其界面与 Linux 环境完全一致。
二、Spark 的 WordCount 案例实战
WordCount 是大数据处理的 “Hello, World!”，它完美地展示了 Spark 分布式计算的核心流程。在本节中，我们将使用 PyCharm 这个强大的IDE来创建、编写和运行我们的第一个 PySpark 应用。
2.1 在 PyCharm 中创建 PySpark 项目
PyCharm 内置了对 PySpark 项目的良好支持，可以帮助我们快速搭建开发环境。
步骤一：新建项目
打开 PyCharm，选择 “文件 (File)” -> “新建项目 (New Project)”。在左侧的项目类型列表中，找到并选择 “PySpark”。
步骤二：配置项目环境
在新建项目窗口中，你需要配置以下几个关键选项：
位置: 指定你项目代码的存放路径。
解释器类型: 保持默认的 “项目 venv (Project venv)” 即可。
环境: 选择 “生成新的 (Create new)”。PyCharm 会为你的项目创建一个独立的虚拟环境，这是一个非常好的开发习惯。
基础 Python: 选择你系统中已经安装的 Python 解释器。
配置完成后，点击右下角的 “创建” 按钮。PyCharm 会自动创建项目结构，并在虚拟环境中安装 pyspark 包
步骤三：测试默认示例代码
项目创建完成后，PyCharm 会自动生成一个名为 main.py 的文件，其中包含一个计算圆周率 (Pi) 的示例代码。这是一个极佳的测试，用于验证你的 PySpark 环境是否配置成功。
直接右键点击 main.py 文件，选择 “运行 ‘main’ (Run ‘main’)”。
如果你在运行窗口中看到了计算出的Pi值，那么恭喜你，你的 PySpark 开发环境已经准备就绪！
2.2 项目结构与 WordCount 代码实战
为了更好地组织我们的代码和数据，我们先来规划一下项目目录结构。
推荐目录结构：
在项目根目录下，我们创建 SparkBasis 目录，并在其中再创建 data, main 等子目录。
data: 用于存放我们的输入数据文件。
main: 用于存放我们的主程序脚本。
步骤一：准备输入数据
在 data 目录下，创建一个名为 words.txt 的文本文件，并输入一些单词，用空格隔开，例如：
hello spark flink
doris hello sqoop
flink spark hdfs
步骤二：编写 WordCount 脚本
在 main 目录下，创建一个名为 01.wordcount.py 的 Python 文件，并编写以下代码：
# 导入必要的库
from pyspark import SparkConf, SparkContext# 1. 创建 SparkConf 和 SparkContext
# SparkConf 用于设置应用的配置，如应用名称、运行模式等
conf = SparkConf().setAppName("WordCount").setMaster("local[*]")
# SparkContext 是 Spark 功能的主要入口点
sc = SparkContext(conf=conf)# 2. 读取数据源
# 从本地文件系统读取 words.txt 文件，创建一个 RDD
# RDD 中的每个元素是文件的一行
input_rdd = sc.textFile("E:/BigData/Spark/PySparkPractice/PySparkPractice03/SparkBasis/data/words.txt")# 3. 数据处理 (一系列的转换操作)
# 3a. 将每行文本按空格拆分成单词
# flatMap: 对 RDD 中的每个元素应用一个函数，该函数返回一个序列，然后将所有序列压平成一个 RDD
words_rdd = input_rdd.flatMap(lambda line: line.split(" "))# 3b. 将每个单词映射成 (单词, 1) 的键值对
# map: 对 RDD 中的每个元素应用一个函数，返回一个新的 RDD
word_pairs_rdd = words_rdd.map(lambda word: (word, 1))# 3c. 按键 (单词) 进行分组聚合，对值 (1) 进行求和
# reduceByKey: 对具有相同键的元素进行聚合操作
word_counts_rdd = word_pairs_rdd.reduceByKey(lambda a, b: a + b)# 4. 结果输出 (行动操作)
# collect: 将 RDD 的所有元素作为列表返回到驱动程序
output = word_counts_rdd.collect()# 打印结果
print(output)# 5. 停止 SparkContext
sc.stop()
注意： 请将 sc.textFile() 中的文件路径替换为你自己 words.txt 文件的绝对路径。
步骤三：运行脚本并查看结果
右键点击 01.wordcount.py 文件并运行。你将在下方的运行窗口看到计算结果，它是一个包含 (单词, 词频) 元组的列表。
2.3 将结果输出到文件
通常，我们不会将大规模计算的结果全部 collect() 到驱动程序（可能会导致内存溢出），而是将其直接保存到分布式文件系统 (如 HDFS) 或本地文件系统中。
步骤一：修改代码以保存结果
在 main 目录下创建一个新文件 02.sparkpro01.py，修改代码，将 collect() 和 print() 替换为 saveAsTextFile()。
from pyspark import SparkConf, SparkContextconf = SparkConf().setAppName("WordCount").setMaster("local[*]")
sc = SparkContext(conf=conf)inputRDD = sc.textFile("E:/BigData/Spark/PySparkPractice/PySparkPractice03/SparkBasis/data/words.txt")
flatMapRDD = inputRDD.flatMap(lambda line: line.split(" "))
mapRDD = flatMapRDD.map(lambda word: (word, 1))
wordCountRDD = mapRDD.reduceByKey(lambda a, b: a + b)# collect() 会将所有分区的数据都拉取到 Driver 中，数据量大时易内存溢出
print(wordCountRDD.collect())
# saveAsTextFile 会将结果写入到指定的路径，每个分区一个文件
wordCountRDD.saveAsTextFile("E:/BigData/Spark/PySparkPractice/PySparkPractice03/SparkBasis/data/output/wordcount01")sc.stop()
注意：
请将
saveAsTextFile()中的输出路径替换为你自己的路径。
Spark 要求输出目录必须是不存在的，否则会报错。每次运行前，你需要手动删除或指定一个新的输出目录。
步骤二：运行并检查输出
运行 02.sparkpro01.py。脚本执行完毕后，你会在指定的输出路径下看到一个名为 wordcount01 的目录。进入该目录，你会发现：
_SUCCESS文件：一个空文件，表示作业成功完成。
part-xxxxx文件：真正包含计算结果的文件。由于我们在local[*]模式下运行，Spark 可能会启动多个本地线程（分区），因此可能会生成多个 part 文件。打开其中一个，你将看到(单词, 词频)格式的输出。
三、WordCount 进阶操作与总结
3.1 WordCount 的排序操作
通常，我们更关心出现频率最高的词。我们可以对结果进行排序。
在 02.sparkpro01.py 之后，添加排序步骤：
# sortBy: 根据指定的函数对 RDD 进行排序
# lambda x: x[1] 表示按元组的第二个元素 (也就是 count) 进行排序
# ascending=True 表示升序排列
sorted_result = WordsCountRDD.sortBy(lambda x:x[1],ascending=False).take(3)
print(sorted_result)
# sortByKey: 根据 RDD 的键 (word) 进行排序
# False 表示降序排列
sorted_result = WordsCountRDD.sortByKey(False).take(3)
print(sorted_result)
3.2 从 HDFS 读取文件
在真实的大数据环境中，数据通常存储在 HDFS 上。PySpark 无缝支持从 HDFS 读取数据。
只需修改 sc.textFile() 的路径即可。
代码示例：
from pyspark import SparkConf,SparkContextif __name__ == "__main__":conf = SparkConf().setAppName("ReadFromHDFS").setMaster("local[*]")sc = SparkContext(conf=conf)sc.setLogLevel("WARN")# 读取文件textRDD = sc.textFile("hdfs://hadoop01:9000/pydata/input/words.txt")# 拆分单词flat_mapRDD = textRDD.flatMap(lambda line: line.split(" "))# 映射成 (word, 1) 形式mapRDD = flat_mapRDD.map(lambda word: (word, 1))# 按 key 聚合统计resultRDD = mapRDD.reduceByKey(lambda x, y: x + y)print(resultRDD.take(10))sc.stop()
注意：要让 Spark 能够访问 HDFS，需要确保 Spark 的运行环境 (classpath) 中包含了 Hadoop 的配置文件 (如 core-site.xml, hdfs-site.xml)，或者已正确配置了相关的环境变量 (HADOOP_CONF_DIR)。
3.3 Spark 的 WordCount 总结
这个看似简单的案例涵盖了 Spark 编程的核心思想：
RDD：不可变的、可分区的分布式数据集
转换 (Transformation)：如flatMap,map,reduceByKey,sortBy。它们是惰性执行的，只定义 RDD 之间的依赖关系，不立即计算
行动 (Action)：如collect,count,saveAsTextFile。行动操作会触发之前所有转换操作的实际计算
四、提交任务执行
在开发完成后，我们需要将 Python 脚本提交到 Spark 集群上运行，而不是仅仅在本地单机模式下测试。
4.1 Spark 的四种部署模式
Spark 支持多种部署模式，以适应不同的计算环境。
关于 Spark 四种部署模式 (Local, Standalone, YARN, Kubernetes) 的详细对比和架构图，大家可以参考这篇更为详尽的文章：《三、Spark 运行环境部署：全面掌握四种核心模式》
4.2 提交任务执行 (Standalone 模式)
这里我们以最常见的 Standalone 模式 为例，演示如何提交我们编写的 05.SparkSubmit.py 脚本。
核心命令：spark-submit
spark-submit 是提交 Spark 应用的统一入口。
准备工作：修改脚本以接收参数
为了灵活性，我们将硬编码的文件路径修改为从命令行参数读取。
修改后的 05.SparkSubmit.py (关键部分)：
from pyspark import SparkConf,SparkContext
import sysif __name__ == "__main__":conf = SparkConf().setAppName("SparkSubmit").setMaster("local[*]")sc = SparkContext(conf=conf)sc.setLogLevel("WARN")textRDD = sc.textFile(sys.argv[0])flatmap_RDD = textRDD.flatMap(lambda line: line.split(" "))mapRDD = flatmap_RDD.map(lambda word:(word,1))resultRDD = mapRDD.reduceByKey(lambda a,b:a+b)print(resultRDD.collect())sc.stop()
Local方式提交
spark-submit \
--master local[5] \
/export/data/shell/05.SparkSubmit.py \
hdfs://hadoop01:9000/pydata/input/words.txt
4.2 提交任务到远程服务器
PyCharm 提供了强大的远程开发功能，允许我们直接在 Windows 上的 IDE 编写和调试代码，然后无缝地将代码同步到远程 Linux 服务器上，并直接执行 Spark 任务。
a. 准备脚本以接收参数
为了灵活性，我们将硬编码的文件路径修改为从命令行参数读取。
示例脚本 05.SparkSubmit.py：
from pyspark import SparkConf,SparkContext
import sysif __name__ == "__main__":conf = SparkConf().setAppName("SparkSubmit").setMaster("local[*]")sc = SparkContext(conf=conf)sc.setLogLevel("WARN")# 从命令行第一个参数接收输入文件路径textRDD = sc.textFile(sys.argv[1])flatmap_RDD = textRDD.flatMap(lambda line: line.split(" "))mapRDD = flatmap_RDD.map(lambda word:(word,1))resultRDD = mapRDD.reduceByKey(lambda a,b:a+b)print(resultRDD.collect())sc.stop()
b. 配置 PyCharm 远程 SSH 解释器
步骤一：打开设置
在 PyCharm 中，通过 “文件 (File)” -> “设置 (Settings)” 打开设置窗口。
步骤二：添加 SSH 解释器
- 在设置窗口左侧，导航到 “项目 (Project)” -> “Python 解释器 (Python Interpreter)”。
- 点击右上角的齿轮图标，选择 “添加 (Add…)”。
- 在弹出的窗口中，选择 “基于 SSH (On SSH)”。
步骤三：配置 SSH 连接信息
- 主机: 输入你的远程 Linux 服务器IP地址，例如
192.168.121.101。 - 用户名: 输入登录服务器的用户名，例如
root。 - 点击 “下一步”。
步骤四：输入密码并认证
- 选择 “密码 (Password)” 认证方式，并输入你的服务器密码。
- 点击 “下一步 (Next)”。
PyCharm 会开始连接到 SSH 服务器并进行内省。
步骤五：配置远程解释器和同步路径
- 解释器路径 (Interpreter): PyCharm 通常会自动检测。你需要确保选择的是你在远程服务器上为 PySpark 准备好的 Conda 环境中的 Python 解释器路径。例如：
/root/anaconda3/envs/pyspark_env/bin/python。 - 同步文件夹 (Sync folders): 这是最关键的一步。它定义了本地项目路径和远程服务器上代码存放路径的映射关系。
- 点击文件夹图标，打开远程路径浏览器。
- 在远程服务器上选择或创建一个工作区目录，例如
/export/data/pyspark_workspace。 - 确认 (OK) 路径映射。
- 点击 “创建 (Create)” 完成配置。
c. 配置远程服务器环境变量 (重要)
为了让 spark-submit 能够正确找到 Python 解释器，我们需要在远程 Linux 服务器上配置 ~/.bashrc 文件。
使用 vi ~/.bashrc 或其他编辑器打开文件，在末尾添加以下内容：
# 根据你的实际JDK安装路径修改
export JAVA_HOME=/usr/lib/jvm/jdk
# 确保Spark的bin目录在PATH中 (如果尚未配置)
# export SPARK_HOME=/path/to/spark
# export PATH=$PATH:$SPARK_HOME/bin# 指定PySpark使用的Python解释器
# 如果你是普通用户(如ivan):
# export PYSPARK_DRIVER_PYTHON=/home/ivan/pyspark_env/bin/python
# export PYSPARK_PYTHON=/home/ivan/pyspark_env/bin/python# 如果你是root用户:
export PYSPARK_DRIVER_PYTHON=/root/anaconda3/envs/pyspark_env/bin/python
export PYSPARK_PYTHON=/root/anaconda3/envs/pyspark_env/bin/python
保存文件后，务必执行 source ~/.bashrc 使配置立即生效。
d. 在 PyCharm 中连接远程文件系统 (可选但推荐)
为了方便地查看远程服务器上的文件和上传输入数据，我们可以配置 PyCharm 的 “Big Data Tools” 插件。
步骤一：打开 Big Data Tools 窗口
点击 PyCharm 右侧的 “Big Data Tools” 图标。
步骤二：添加 SFTP 连接
- 点击 “+” 图标，选择 “SFTP”。
- 名称: 给连接起个名字，如
SFTP。 - SSH 配置: 选择我们之前已经创建好的 SSH 连接。
- 点击 “测试连接” 确保一切正常。
- 点击 “确定”。
配置完成后，你就可以在 PyCharm 的 Big Data Tools 窗口中直接浏览和操作远程服务器的文件系统了。
e. 在 PyCharm 中运行远程 Spark 任务
- 同步代码: PyCharm 会自动将你的本地代码同步到之前配置的远程工作区目录。
- 修改代码中的路径: 将
05.SparkSubmit.py(或其他脚本) 中的输入文件路径修改为远程服务器上的绝对路径。
# 修改前: sc.textFile("E:/...")
# 修改后:
textRDD = sc.textFile("/export/data/pyspark_workspace/SparkBasis/data/words.txt")
- 运行: 直接在 PyCharm 中右键点击脚本并选择 "运行 "。
PyCharm 会通过 SSH 在远程服务器上执行你的 Python 脚本。由于我们已经配置了远程解释器和环境变量，PySpark 会在远程服务器上正确启动并执行。
你可以在 PyCharm 下方的“运行”窗口中实时看到远程 Spark 任务的日志和最终的输出结果。
日期：2025年9月24日
专栏：Spark教程(PySpark)