PyCharm搭建Spark開發(fā)環(huán)境實(shí)現(xiàn)第一個(gè)pyspark程序

更新時(shí)間：2019年06月13日 16:08:23 作者：-趕鴨子上架-

這篇文章主要介紹了PyCharm搭建Spark開發(fā)環(huán)境實(shí)現(xiàn)第一個(gè)pyspark程序，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

一, PyCharm搭建Spark開發(fā)環(huán)境

Windows7, Java1.8.0_74, Scala 2.12.6, Spark 2.2.1, Hadoop2.7.6

通常情況下，Spark開發(fā)是基于Linux集群的，但這里作為初學(xué)者并且囊中羞澀，還是在windows環(huán)境下先學(xué)習(xí)吧。

參照這個(gè)配置本地的Spark環(huán)境。

之后就是配置PyCharm用來開發(fā)Spark。本人在這里浪費(fèi)了不少時(shí)間，因?yàn)榘俣瘸鰜淼臒o非就以下兩種方式：

1.在程序中設(shè)置環(huán)境變量

import os
import sys

os.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中添加環(huán)境變量

不過還是沒有解決程序中代碼自動(dòng)補(bǔ)全。

想了半天，觀察到spark提供的pyspark很像單獨(dú)的安裝包，應(yīng)該可以考慮將pyspark包放到python的安裝目錄下，這樣也就自動(dòng)添加到之前所設(shè)置的pythonpath里了，應(yīng)該就能實(shí)現(xiàn)pyspark的代碼補(bǔ)全提示。

將spark下的pyspark包放到python路徑下（注意，不是spark下的python?。?/p>

最后，實(shí)現(xiàn)了pyspark代碼補(bǔ)全功能。

二.第一個(gè)pyspark程序

作為小白，只能先簡單用下python+pyspark了。

數(shù)據(jù):Air Quality in Madrid (2001-2018)

需求:根據(jù)歷史數(shù)據(jù)統(tǒng)計(jì)出每個(gè)月平均指標(biāo)值

import os
import re
from pyspark.sql import SparkSession

if __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統(tǒng)計(jì)')
 m_index = 1
 for data in pm10_months:
  print(str(m_index).zfill(2) + '月份: ' + '||' * round(data))
  m_index += 1

運(yùn)行結(jié)果：

- 2017年，每月平均PM10統(tǒng)計(jì)
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: ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||

由以上統(tǒng)計(jì)結(jié)果，可以看出4月份的PM10最低。

Done!

以上就是本文的全部內(nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: