conda 安装 tessocr conda 安装pyspark

（一）安装Anaconda3.4.2

你也可以安装别的版本的，只要查好支持pyspark就行。Anaconda的各种版本下载在参考 https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/。下面按我自己配置环境时使用的Anaconda3.4.2为例进行说明。

安装完Anaconda3.4.2之后，配置系统变量
D:\PYTHON35\Anaconda3.4.2;D:\PYTHON35\Anaconda3.4.2\Scripts;D:\PYTHON35\Anaconda3.4.2\Library\bin;
注意，我这里由于安装了两个Python，所以设置系统变量时注意下顺序，不然可能出现覆盖（这类似于Java的jdk和jre包分开放一个道理）

配置完系统变量之后，从命令行窗口输入ipython查看是否出现：

（二）下载安装spark

去spark.apache下载版本格式类似spark-1.6.0-bin-hadoop2.6.tgz的文件，解压即可，去spark.apache下载你用的版本http://spark.apache.org/downloads.html

解压缩之后：
（1）添加系统环境变量
变量名：SPARK_HOME；变量值：E:\spark
变量名：PATH；变量值：%SPARK_HOME%\bin
（注意：变量名如果之前有，只需要对应设置变量值，和之前的路径用分号“；”隔开就可以，下同；SPARK_HOME的变量值是你的spark放置位置）

（2）添加系统环境变量
变量名：PYSPARK_DRIVER_PYTHON；变量值：ipython
变量名：PYSPARK_DRIVER_PYTHON_OPTS；变量值：notebook

（3）添加系统环境变量

变量名：PYTHONPATH；

变量值：%SPARK_HOME%\python\lib\py4j;

%SPARK_HOME%\python\lib\pyspark

真相在这（注意看路径）：

（4）修改spark\conf下的spark-env文件最后加入如下三行：

（5）将E:\spark\python路径下的pyspark文件夹复制到Anaconda3.4.2的模块包识别目录site-packages下D:\PYTHON35\Anaconda3.4.2\Lib\site-packages

（三）下载安装sbt（scala编译器）

下载地址：http://www.scala-sbt.org/0.13/docs/zh-cn/Installing-sbt-on-Windows.html

这个地方下载windows版本的sbt国内网网页总跳转失败，可以利用google访问助手，通过google的服务器访问下载：

下载完，正常安装就可以；安装之后同样设置系统环境变量

变量名：PATH；变量值：E:\sbt\bin;

（四）安装差不多完了，在命令行运行pyspark就可以弹出来jupyter notebook了。

我在上述操作之前，配置安装了Java；在命令行输入java和javac都可以给出正常信息输出，不知道是否对后续有用。

此外，有没有人考虑过，为什么spark这么麻烦安装，不像其余包一样直接在命令行窗口pip install package就可以了，又需要依赖scala又需要Java，这里涉及到一个问题——spark的并行工作机制中，需要调用java和scala工作，大致原理如下图：

本篇参考；
http://ju.outofmemory.cn/entry/171843

C:\ProgramData\Oracle\Java\javapath;%JAVA_HOME%\bin;%JAVA_HOME%\jre\bin;
%SystemRoot%\system32;%SystemRoot%;%SystemRoot%\system32\wbem;
E:\GNUC++\bin;E:\GOW\bin;
D:\PYTHON35\Anaconda3.4.2;D:\PYTHON35\Anaconda3.4.2\Scripts;D:\PYTHON35\Anaconda3.4.2\Library\bin;
D:\PYTHON35\idle;D:\PYTHON35\idle\selenium;
E:\sbt\bin;
%SPARK_HOME%\bin

---

Anaconda3-2019.10-Windows-x86_64
jdk1.8.0_201
hadoop-2.7.1
spark-2.4.4-bin-hadoop2.7
scala-2.11.8

import findspark
findspark.init()
import pyspark # only run after findspark.init()
from pyspark.sql import SparkSession
spark = SparkSession.builder.getOrCreate()
df = spark.sql('''select 'spark' as hello ''')
df.show()
#+-----+
#|hello|
#+-----+
#|spark|
#+-----+

import findspark
findspark.init()
import pyspark
from pyspark import SparkContext
from pyspark import SparkConf
import os
import re
conf=SparkConf().setAppName("miniProject").setMaster("local[*]")
sc=SparkContext.getOrCreate(conf)
rdd_exist=sc.parallelize([1,2,3,4,5])
rdd_exist
#ParallelCollectionRDD[5] at parallelize at PythonRDD.scala:195
rdd_exist.collect()
#[1, 2, 3, 4, 5]