Win10下配置安装PySpark和Hadoop环境

Posted 2022-12-11 雪靡

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了Win10下配置安装PySpark和Hadoop环境相关的知识，希望对你有一定的参考价值。

Win10下配置PySpark环境

一、下载和安装Python和JAVA

下载JDK8：https://www.oracle.com/java/technologies/javase/javase-jdk8-downloads.html（注：Hadoop只支持JDK8或者JDK11）
安装JDK到默认路径。
设置JAVA_HOME=%JAVA_HOME%为C:\\PROGRA~1\\Java\\jdk1.8.0_261（重要！！！）如果填写C:\\Program Files\\Java\\jdk1.8.0_261的话，会出现ERROR namenode.NameNode: Failed to start namenode.java.lang.UnsupportedOperationException的错误！[^6]
设置环境变量JAVA_TOOL_OPTIONS为-Duser.language=en。(如果你喜欢JDK输出中文的话，这里可以不设置。但是在第六步得修改JVM参数。)
下载Python3.9：https://www.python.org/downloads/

二、安装和配置Hadoop¹

从清华镜像网站下载：https://mirrors.tuna.tsinghua.edu.cn/apache/hadoop/common/。下载稳定版：hadoop-3.2.1.tar.gz.
下载winutils。Hadoop在windows上不能直接运行，需要下载winutils。下载地址下载地址：https://github.com/Zer0r3/winutils。
解压hadoop。找到winutils对应hadoop的版本号，解压winutils并安装到hadoop\\bin文件夹下注意winutils的版本号要和Hadoop对应，否则会出现Exception in thread "main" java.lang.UnsatisfiedLinkError: org.apache.hadoop.io.nativeio.NativeIO$Windows.access0的错误！²。
配置hadoop。
新建环境变量HADOOP_HOME ,值为hadoop的安装目录：如D:\\hadoop-3.2.1
编辑path环境变量，新增：
%HADOOP_HOME%\\bin
%HADOOP_HOME%\\sbin

配置hadoop启动脚本

修改etc\\hadoop\\core-site.xml，添加本机域名默认节点：

<configuration>
    <property>
        <name>fs.default.name</name>
        <value>hdfs://localhost:8900</value>
    </property>
    <property>
        <name>hadoop.tmp.dir</name>
        <value>D:/hadoop-3.2.1/tmp/$user.name</value>
        <description>A base for other temporary directories.</description>
    </property>
</configuration>

修改etc\\hadoop\\mapred-site.xml。添加一组property，设置yarn：

<configuration>
    <property>
        <name>mapreduce.framework.name</name>
        <value>yarn</value>
    </property>
</configuration>

修改etc\\hadoop\\hdfs-site.xml：

<configuration>
    <!-- 这个参数设置为1，因为是单机版hadoop -->
    <property>
        <name>dfs.replication</name>
        <value>1</value>
    </property>
    <property>
        <name>dfs.permissions</name>
        <value>false</value>
    </property>
    <property>
        <name>dfs.namenode.name.dir</name>
        <value>/D:/hadoop-3.2.1/data/namenode</value>
    </property>
    <property>
        <name>fs.checkpoint.dir</name>
        <value>/D:/hadoop-3.2.1/data/snn</value>
    </property>
    <property>
        <name>fs.checkpoint.edits.dir</name>
        <value>/D:/hadoop-3.2.1/data/snn</value>
    </property>
    <property>
        <name>dfs.datanode.data.dir</name>
        <value>/D:/hadoop-3.2.1/data/datanode</value>
    </property>
</configuration>

修改etc\\hadoop\\yarn-site.xml配置：

<configuration>
    <!-- Site specific YARN configuration properties -->
    <property>
        <name>yarn.nodemanager.aux-services</name>
        <value>mapreduce_shuffle</value>
    </property>
    <property>
        <name>yarn.nodemanager.auxservices.mapreduce.shuffle.class</name>
        <value>org.apache.hadoop.mapred.ShuffleHandler</value>
    </property>
</configuration>

三、Yarn配置（如果你电脑安装`yarn`的NPM包管理的情况下）³

调整PATH环境变量，使得Hadoop的位置在于nodejs的前面。比如：

如果没有配置的话，接下去运行就会出现error Couldn't find a package.json file in "d:\\hadoop-3.2.1\\sbin"的字眼。

四、安装PySpark

不需要事先安装Spark，直接安装PySpark即可。

输入命令安装PySpark

pip3 install -i https://mirrors.ustc.edu.cn/pypi/web/simple/ pyspark

输入命令查看PySpark是否安装成功。

pyspark --version

如果显示内容为以上信息的话，表示安装成功！

五、启动Hadoop¹

右键CMD，以管理员身份运行（不知道这部必不必要）
格式化系统文件，输入命令：hdfs namenode -format
启动：start-all
运行完毕后，可以看到运行了四个服务：
1. Hadoop Namenode（文件系统目录，类似于书的目录部分）
2. Hadoop datanode（数据文件内容，就是书的正文）
3. YARN Resourc Manager（统一节点管理、调度者）
4. YARN Node Manager （各个子节点）
可以访问Hadoop集群页面：http://127.0.0.1:8088。
访问hadoop文件管理页面：http://localhost:9870

六、配置PyCharm（如果不用可以跳过）

打开pycharm的安装目录，打开pycharm64.exe.vmoptions文件，找到
```
-Xms128m
-Xmx512m
```
修改为⁴
```
-Xms256m
-Xmx1024m
```
如果之前未把JDK输出的语言改为英文的话，在pycharm64.exe.vmoptions文件尾添加一下内容：⁵
```
-Dfile.encoding=UTF-8
```
如果你的电脑里面安装了多个Python的时候，在PyCharm运行的时候，需要指定具体的Python⁶：
1. 打开项目
2. 点击运行旁边的小箭头，编辑运行和调试配置选项。
3. 点击环境变量，设置PYSPARK_PYTHON和PYSPARK_DRIVER_PYTHON为你的Python路径。