【[2020.6] 数据挖掘：基于Spark框架的K-Means聚类2】在Iris数据集上借助pyspark实现K-Means聚类

Spark框架介绍

Spark框架的介绍离不开Hadoop框架，关于大数据框架的起源以及Hadoop与Spark的介绍在文章《Hadoop与Spark等大数据框架介绍》中已经很详尽了，这里不再赘述。

Hadoop：Hadoop的核心是HDFS和Mapreduce，hadoop2.0还包括YARN。

• HDFS（Hadoop分布式文件系统）：Hadoop体系中数据存储管理的基础。
• YARN（Yet Another Resource Negotiator）：一种 Hadoop 资源管理器，它是一个通用资源管理系统，可为上层应用提供统一的资源管理和调度，它的引入为集群在利用率、资源统一管理和数据共享等方面带来了巨大好处。
• MapReduce（分布式计算框架）：一种计算模型，用以进行大数据量的计算。

Spark：Spark是一种大数据框架，同时也是是专为大规模数据处理而设计的快速通用的计算引擎。它的出现往往会有Hadoop的身影，其实Hadoop更多的可以看做是大数据的基础设施，它本身提供了HDFS文件系统用于大数据的存储，当然还提供了MapReduce用于大数据处理，但是MapReduce有很多自身的缺点，针对这些缺点也已经有很多其他的方法，类如针对MapReduce编写的复杂性有了Hive（基于Hadoop的数据仓库），针对MapReduce的实时性差有了流处理等等。Spark设计也是针对MapReduce功能的，它并没有大数据的存储功能，只是改进了大数据的处理部分，它的最大优势就是快，因为它是基于内存的，不像MapReduce每一个job都要和磁盘打交道，所以大大节省了时间，它的核心是RDD（分布式内存抽象），RDD是Spark最核心最精髓的部分，Spark将所有数据都抽象成RDD，里面体现了一个弹性概念意思就是说，在内存存储不下数据的时候，Spark会自动的将部分数据转存到磁盘，而这个过程是对用户透明的。

Win10下Anaconda安装pyspark

安装时参考了很多博客，发现有的博客的安装方法无法成功或者安装 顺序混乱，这里参考了一些博客^{1 2 3}整理了一下完整的安装步骤。

因为有些配置的包或文件不好下，所以我这里将所有用到的包或文件（spark-2.4.5-bin-hadoop2.7，hadoop-2.7.1，jdk-8u121-windows-x64，winutils）放在百度云盘中，提取码：zwfc 。

• 1. 安装java/JDK
  注意，JDK版本必须是JDK9之前的版本，比如JDK1.8，否则测试pyspark时就有warning⁴，这里使用8u121-windows-x64.exe.

  安装完设置环境变量，设置系统变量(右键我的电脑，依次点击属性-高级系统设置-环境变量），新建添加JAVA_HOME和CLASSPATH。若是一路默认安装的话，JDK安装的默认位置就在C:\Program Files\Java.
  
  
  然后在环境变量中找到Path，并新建添加

%JAVA_HOME%\bin

配置完毕，win键+R键，输出cmd，打开命令行窗口，输入java -version，回车执行，出现版本信息说明安装成功。

• 2. 安装Spark
  注意，这里使用spark-2.4.5-bin-hadoop2.7.tgz，我这里解压到D:\Softwares\environments\，该路径一定不能带空格，hadoop2.7表明对应的hadoop版本要在Hadoop2.7及其以后，spark-2.4.5-bin-hadoop2.7可以在Spark官网或官网archive下载。
  

  【ps】要找以前的版本也可以在Spark release archives查找并下载。

  解压后添加环境变量SPARK_HOME，注意这里的路径是你解压的路径。
  
  然后在环境变量中找到Path，并新建添加

  %SPARK_HOME%\bin

  

• 3. 安装Hadoop
  注意，这里使用hadoop-2.7.1.tar.gz，解压到D:\Softwares\environments\，该路径一定不能带空格。hadoop-2.7.1.tar.gz的下载我找了三种下载源，下载源1：百度网盘，下载源2：hadoop archive，下载源3：Releases Archive，其中下载源1是最快的。

  解压后，添加环境变量HADOOP_HOME，注意这里的路径是你解压的路径。
  
  然后在环境变量中找到Path，并新建添加

%HADOOP_HOME%\bin

• 4. 下载winutils工具修改权限
  winutils.exe是用于改变文件或文件夹读写权限的工具。通过steveloughran的git仓库下载对应的hadoop-2.7.1的bin文件夹，然后使用bin文件夹替换hadoop文件夹路径下的bin文件夹。

  然后以管理员的身份打开cmd，通过cd命令进入到Hadoop的bin目录下，执行以下命令：winutils.exe chmod 777 C:\tmp\Hive。
  【ps】以管理员身份打开cmd：按Win键，依次选中Windows 系统，右键命令提示符，点击更多，点击以管理员身份运行；或者，win键+X键，选择powershell（管理员） 。
  
  注意，若提示错误，检查 C:\tmp下Hive目录是否存在，若不存在，则手动创建Hive文件夹，再重新执行上述命令。
  

• 5. 安装py4j库
  注意，这里假设已经安装好了Anaconda环境并设置好了环境变量，如果没有的话，安装也很方便，有很多博客教程，但是去Anaconda官网下载anaconda安装包可能比较慢，可以去清华镜像源下载win-x86的exe文件。

  现在安装py4j库，打开一个cmd命令行窗口，activate 或 activate tf2-1启动base或tf2-1环境，然后conda install py4j。tf2-1是我自己建的一个conda环境，python版本是3.7.7.
  

• 6. 测试Spark是否安装成功
  重新打开一个cmd命令行窗口，输入pyspark，显示spark图像，但会warning提示python解释器在conda环境中，但conda环境未被激活（此时可能会有一个确认使用公用网络的弹窗，允许访问即可）。
  

• 7. 复制pyspark模块到Anaconda并再次测试
  将pyspark文件夹（spark-2.4.5-bin-hadoop2.7\python\pyspark）复制到Anaconda3\Lib\site-packages目录下(base环境)或Anaconda3\envs\tf2-1\Lib\site-packages目录下（tf2-1环境）
  然后测试conda环境中的spark，在第6不的命令行窗口中接着再次输入pyspark，显示spark图像，但是没有了warning。
  
  然后，ctr+d退出sparkshell，cd到开头百度云盘中测试文件spark_test.py目录，pytho spark_test.py，观察结果，若输出如下结果文件安装成功。
  

【ps1】从安装步骤可以看出，anaconda环境只是提供了一个方便管理的python环境，假如我们没有安装anaconda环境，我们只需要从第5步开始只在python shell中执行，conda命令换成pip命令，同时第7步中复制pyspark模块到python文件夹中的site-packages目录下即可。

【ps2】spark_test.py内容

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!")