一、工具准备

1. jdk10

2. scala

3. anaconda3

4. spark-2.3.1-bin-hadoop2.7

5. hadoop-2.8.3

6. winutils

7. pycharm

二、安装

1. jdk安装

oracle官网下载，安装后配置JAVA_HOME、CLASS_PATH，bin目录追加到PATH，注意：win10环境下PATH最好使用绝对路径！下同！

2. scala安装

官网下载，安装后配置SCALA_HOME，bin目录追加到PATH

3. anaconda3安装

官网下载，安装时注意在“追加到PATH”复选框打钩

4. spark安装

官网下载压缩包，解压缩后配置SPARK_HOME，bin目录追加到PATH

5. hadoop安装

官网下载版本>=spark对应hadoop版本，解压缩后配置HADOOP_HOME，bin目录追加到PATH

6. winutils安装

下载地址：https://github.com/steveloughran/winutils，按hadoop版本对应下载

7. pycharm安装

下载付费版本，使用lanyu注册码激活，注意按照提示添加域名解析到hosts文件

三、处理python相关

1. 将pyspark文件夹（在spark-2.3.1-bin-hadoop2.7\python目录）复制到anaconda3\Lib\site-packages目录下
2. 将winutils解压缩后用对应版本的bin目录替换hadoop下的bin目录
3. conda install py4j
4. 进入hadoop\bin目录下，以管理员方式打开cmd，输入命令：winutils.exe chmod 777 c:\tmp\Hive，若提示错误，检查Hive目录是否存在，若不存在，则手动创建，再重新执行命令

四、验证

打开pycharm，使用anaconda中的python作为解释器，输入以下代码并运行：

from pyspark import SparkContext

sc = SparkContext('local')
doc = sc.parallelize([['a', 'b', 'c'], ['b', 'd', 'd']])
words = doc.flatMap(lambda d: d).distinct().collect()
word_dict = {w: i for w, i in zip(words, range(len(words)))}
word_dict_b = sc.broadcast(word_dict)

def wordCountPerDoc(d):
    dict = {}
    wd = word_dict_b.value
    for w in d:
        if wd[w] in dict:
            dict[wd[w]] += 1
        else:
            dict[wd[w]] = 1
    return dict

print(doc.map(wordCountPerDoc).collect())
print("successful!")