一、安装Spark

1、检查基础环境hadoop,jdk

2、下载spark

3、解压，文件夹重命名、权限

4、配置文件

 配置spark的classpath

$ cd /usr/local/spark
$ cp ./conf/spark-env.sh.template ./conf/spark-env.sh   #拷贝配置文件

在文件中加上如下一行内容：

export SPARK_DIST_CLASSPATH=$(/usr/local/hadoop/bin/hadoop classpath)

保存配置文件后，就可以启动、运行Spark了

5、环境变量

在gedit ~/.bashrc文件中加入

图1环境变量

source ~/.bashrc    # 环境变量生效

6、试运行Python代码

执行如下命令启动pyspark（无参数，默认是local[*]模式）

 cd /usr/local/spark
 ./bin/pyspark

启动pyspark，成功后在输出信息的末尾可以看到“>>>”的命令提示符

在里面输入python代码进行测试：

图2pyspark运行界面

二、Python编程练习：英文文本的词频统计

1、准备文本文件

准备英语文本 f1.txt

图三英语文本

2、读文件

path='/home/hadoop/wc/f1.txt'
with open(path) as f:
    text=f.read()

3、预处理：大小写，标点符号，停用词

text = text.lower()                           # 转为小写字母
    for ch in '!"#$%&()*+,-./:;<=>?@[\\]^_‘{|}~':    
        text = text.replace(ch, ' ')

4、分词

words = text.split()

5、统计每个单词出现的次数

counts={}
for word in words:
    # 若字典中无当前词语则创建一个键值对，若有则将原有值加1
    counts[word] = counts.get(word, 0) + 1 
    
items = list(counts.items())               # 将无序的字典类型转换为有序的列表类型

6、按词频大小排序

items.sort(key=lambda x: x[1], reverse=True)      # 按统计值从高到低排序（以第二列排序）
for i in range(len(items)):
    word, count = items[i]
    print("{0:<10}{1:>5}".format(word, count))              # 格式化输出词频统计结果
    open('output.txt', 'a').write(word+"\t\t\t"+str(count)+"\n")    # 写入output.txt中

7、查看运行结果

 图四运行结果