一, pycharm搭建spark开发环境
windows7, java1.8.0_74, scala 2.12.6, spark 2.2.1, hadoop2.7.6
通常情况下，spark开发是基于linux集群的，但这里作为初学者并且囊中羞涩，还是在windows环境下先学习吧。
参照这个配置本地的spark环境。
之后就是配置pycharm用来开发spark。本人在这里浪费了不少时间，因为百度出来的无非就以下两种方式：
1.在程序中设置环境变量
|
1
2
3
4
5
|
import osimport sysos.environ['spark_home'] = 'c:\xxx\spark-2.2.1-bin-hadoop2.7'sys.path.append('c:\xxx\spark-2.2.1-bin-hadoop2.7\python') |
2.在edit configuration中添加环境变量
不过还是没有解决程序中代码自动补全。
想了半天，观察到spark提供的pyspark很像单独的安装包，应该可以考虑将pyspark包放到python的安装目录下，这样也就自动添加到之前所设置的pythonpath里了，应该就能实现pyspark的代码补全提示。
将spark下的pyspark包放到python路径下（注意，不是spark下的python！）
最后，实现了pyspark代码补全功能。
二.第一个pyspark程序
作为小白，只能先简单用下python+pyspark了。
数据:air quality in madrid (2001-2018)
需求:根据历史数据统计出每个月平均指标值
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
|
import osimport refrom pyspark.sql import sparksessionif __name__ == "__main__": spark = sparksession.builder.getorcreate() df_array = [] years = [] air_quality_data_folder = "c:/xxx/spark/air-quality-madrid/csvs_per_year" for file in os.listdir(air_quality_data_folder): if '2018' not in file: year = re.findall("\d{4}", file) years.append(year[0]) file_path = os.path.join(air_quality_data_folder, file) df = spark.read.csv(file_path, header="true") # print(df.columns) df1 = df.withcolumn('yyyymm', df['date'].substr(0, 7)) df_final = df1.filter(df1['yyyymm'].substr(0, 4) == year[0]).groupby(df1['yyyymm']).agg({'pm10': 'avg'}) df_array.append(df_final) pm10_months = [0] * 12 # print(range(12)) for df in df_array: for i in range(12): rows = df.filter(df['yyyymm'].contains('-'+str(i+1).zfill(2))).first() # print(rows[1]) pm10_months[i] += (rows[1]/12) years.sort() print(years[0] + ' - ' + years[len(years)-1] + '年，每月平均pm10统计') m_index = 1 for data in pm10_months: print(str(m_index).zfill(2) + '月份: ' + '||' * round(data)) m_index += 1 |
运行结果：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
- 2017年，每月平均pm10统计01月份: ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||02月份: ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||03月份: ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||04月份: ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||05月份: ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||06月份: ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||07月份: ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||08月份: ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||09月份: ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||10月份: ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||11月份: ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||12月份: |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||| |
由以上统计结果，可以看出4月份的pm10最低。
done!
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。
原文链接：https://www.cnblogs.com/hello-yz/p/9306099.html
