今天小编给大家分享一下pycharm如何利用pyspark实现远程连接spark集群的相关知识点，内容详细，逻辑清晰，相信大部分人都还太了解这方面的知识，所以分享这篇文章给大家参考一下，希望大家阅读完这篇文章后有所收获，下面我们一起来了解一下吧。
0 背景
由于工作需要，利用spark完成机器学习。因此需要对spark集群进行操作。所以利用pycharm和pyspark远程连接spark集群。这里记录下遇到的问题及方法。
主要是参照下面的文献完成相应的内容，但是具体问题要具体分析。
1 方法
1.1 软件配置
spark2.3.3, hadoop2.6, python3
1.2 spark配置
Spark集群的每个节点的Python版本必须保持一致。在每个节点的$SPARK_HOME/conf/spark-env.sh中添加一行：具体看你的安装目录。
export PYSPARK_PYTHON=/home/hadoop/anaconda2/bin/python3
此步骤就是将python添加到spark的配置中。
此时，在服务器命令行输入pyspark时，可以正常进入spark。
1.3本地配置
1.3.1 首先将spark2.3.3从服务器拷贝到本地。
注意： 由于我集群安装的是spark-2.3.3-bin-without-hadoop。但是拷贝到本地后，总是报错Java gateway process… 。同时我将hadoop2.6,的包也从服务器拷贝到本地加载到程序中，同样报错。
最后，直接从spark的官网中，下载了spark-2.3.3-bin-hadoop2.6，这回就可以了。
pyspark的版本与spark的版本最好对应。比如pyspark2.3.3，spark2.3.3
# os.environ['SPARK_HOME'] = r"F:ig_dataspark-2.3.3-bin-without-hadoop"(无用)
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"（无用）
# os.environ['JAVA_HOME'] = r"F:Javajdk1.8.0_144"（无用）
1.3.2
C:WindowsSystem32….hosts(Windows机器)中加入Spark集群Master节点的IP与主机名的映射。需要管理员权限修改。
其中的spark_cluster就是对于Master的IP的映射名。（直接写IP一样可以，映射名是为了方便）
1.3.3
添加刚刚下载解压好的spark的python目录到pycharm的project structure
1.3.4
新建py文件，编辑Edit Configurations添加SPARK_HOME变量
注意： 在实际中，这个不添加好像也可以。只需要在程序中加载了spark_home.比如os.envion(…spark…)
2 测试
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()
以上就是“pycharm如何利用pyspark实现远程连接spark集群”这篇文章的所有内容，感谢各位的阅读！相信大家阅读完这篇文章都有很大的收获，小编每天都会为大家更新不同的知识，如果还想学习更多的知识，请关注本站行业资讯频道。
