如何使用pycharm连接Databricks的步骤详解

在本地使用pycharm连接databricks，大致步骤如下：

首先，为了让本地环境能够识别远端的databricks集群环境，需要收集databricks的基本信息和自己databricks的token，这些信息能够让本地环境识别databricks；接着，需要使用到工具 anaconda创建一个虚拟环境，连接databricks；最后，将虚拟环境导入pycharm。

（下面的图渣渣，因为直接拖进来的）

第0步：检查

检查java版本，需要时1.8开头的版本，如果不是，请到这里下载：https://www.oracle.com/java/technologies/javase/javase-jdk8-downloads.html

第1步：收集databricks的信息

查看python版本 (还不知道怎么看，这里cluster的python版本为3.7)
查看Runtime Version

查看cluster ulr，解析出下面信息

生成token,点击这个小人-user setting

最后，这是我们收集到的所有信息

第2步：安装anaconda

如果已经安装anaconda，请略过这一步
没有安装，可以看这个教程
https://www.jb51.net/article/196286.htm

第3步：使用anaconda创建虚拟环境

下面的参数信息，使用第一步收集的信息
打开anaconda的命令行

创建一个3.7版本的虚拟隔离环境

conda create -n dbconnect python=3.7

使用环境

conda activate dbconnect

卸载pyspark，如果是新创建的环境，可以不用执行这步（这是为了确保，创建的环境不能有pyspark的包，因为会产生包的问题）

pip uninstall pyspark

下面开始安装包，但是为了让安装速度快一些，使用清华镜像

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/pro/
conda config --set show_channel_urls yes

查看是否切换到镜像

conda config --show channels

可以看到已经切换

安装connect包，第一步中确定的run的版本为6.4，故选择6.4.* （用公司的网络，下载很慢，我用自己的热点）

pip install -U databricks-connect==6.4.*

连接远端databricks，并输入第一步收集的相关信息

databricks-connect configure

测试是否已经连接上：

databricks-connect test

已经在启动节点了

查看databricks,可以看到

第4步：pycharm导入虚拟环境

打开pycahrm，点击setting

选择解释器，点击小齿轮的add'

选择刚才我们创建好的dbconnect

点击ok，可以看到已经选好了环境

不知道为啥连接不到远端的包，我的项目还需要在本地安装一些用的包

conda install scikit-learn==0.22.1
conda install pandas==0.24.2
conda install pyarrow==0.15.1

在pycharm测试运行一下：

import pandas as pd
import numpy as np

# Generate a pandas DataFrame
pdf = pd.DataFrame(np.random.rand(100, 3))

from pyspark.sql import *
spark = SparkSession.builder.getOrCreate()
df = spark.createDataFrame(pdf)

print(df.head(5))

去databrick的cluster log看一下，已经启动了节点，正在运行