PySpark能否正常运行取决于Java、Spark和Python三者版本严格匹配：必须使用JDK 8（java -version显示1.8）、Spark 3.x对应版本的预编译包（如spark-3.5.3-bin-hadoop3）、pyspark同版本pip安装，并将MySQL等JDBC驱动以JAR形式通过spark.jars或spark.jars.packages显式加载。
PySpark 能否跑起来，不取决于你装了多少库，而取决于 Java、Spark 和 Python 三者是否对得上号。JDK 版本错、SPARK_HOME 没设对、驱动 JAR 漏掉一个字节，都会在 spark.read.jdbc 或 spark.createDataFrame 时突然报错——而且错误信息往往只说“class not found”或“no suitable driver”，根本看不出是哪一环断了。
确认 JDK 8 是当前系统默认 Java 版本
Spark 3.x（包括主流的 3.5.3）在 JDK 8 下最稳。JDK 11+ 虽然能启动，但容易在 JDBC 驱动加载、序列化、甚至 spark.sql.adaptive.enabled 开关上出兼容问题。
- 运行
java -version，输出必须含1.8.，不能是11.0.或17. - 如果系统有多个 JDK，用
export JAVA_HOME=/usr/lib/jvm/java-8-openjdk-amd64（Linux）或对应路径硬指定，别依赖update-alternatives自动切换 -
spark-submit启动时会读取JAVA_HOME，不是PATH里的 java 命令
SPARK_HOME 和 PATH 必须显式配置
仅靠 pip install pyspark 不足以让 Spark 引擎工作——它只装了 Python 绑定层，底层 JVM 进程仍需真实 Spark 发行版支持。
- 下载预编译版 Spark（如
spark-3.5.3-bin-hadoop3.tgz），解压到固定路径，例如/opt/spark - 在 shell 配置中添加：
export SPARK_HOME=/opt/sparkexport PATH=$SPARK_HOME/bin:$PATH - 验证：
spark-shell --version应输出Spark version 3.5.3；which spark-submit必须指向$SPARK_HOME/bin/spark-submit - Python 里调
SparkSession.builder.master("local[2]").getOrCreate()时，若报No module named 'py4j'，说明pyspark安装包和本地 Spark bin 不匹配，此时应卸载重装pyspark==3.5.3，而非升级
MySQL / PostgreSQL 等 JDBC 驱动不能只 pip install
pip install mysql-connector-python 对 PySpark 完全无效——JVM 进程根本不认 Python 的 wheel。驱动必须以 JAR 形式交给 Spark 的 classpath。
- 手动下载对应版本 JAR：MySQL 推荐
mysql-connector-java-8.0.26.jar，PostgreSQL 用postgresql-42.6.0.jar - 两种加载方式选其一：
– 启动时用.config("spark.jars", "/path/to/mysql-connector-java-8.0.26.jar")
– 或更稳妥的远程方式：.config("spark.jars.packages", "mysql:mysql-connector-java:8.0.26")（Spark 自动从 Maven 中央仓库拉取） - 注意：JDBC URL 中的
jdbc:mysql://...协议名必须和 JAR 包内 driver 类名一致；mysql-connector-java的 driver 类是com.mysql.cj.jdbc.Driver，旧版5.1.x是com.mysql.jdbc.Driver，不匹配就会报No suitable driver
本地开发慎用 local[*]，分区数和内存要手动调
很多人写 .master("local[*]") 图省事，结果 16 核机器跑一个 df.groupBy("id").count() 就卡死——因为默认 spark.sql.shuffle.partitions=200，产生 200 个任务，但每个 task 默认只分到 1GB 内存，小数据量反而因调度开销变慢。
立即学习“Python免费学习笔记（深入）”；
- 开发机建议写死核心数：
.master("local[4]")，再配.config("spark.sql.shuffle.partitions", "8") -
spark.driver.memory和spark.executor.memory在 local 模式下其实是一个进程，设太高会 OOM，设太低会频繁 GC；16G 内存机器推荐"4g"起步 - 读 CSV/JSON 时加
inferSchema=True很方便，但数据列多、样本杂时极易推错类型（比如把"123"当 string，"123.0"当 double），后续 join 失败；生产代码务必显式传schema=StructType([...])
spark-3.5.3-bin-hadoop3.tgz，那配套的 hadoop-client 是 3.3.x，此时若 JDBC 驱动里间接依赖了 hadoop-common 2.7.x，就可能在 S3A 文件系统或 Kerberos 认证环节静默失败——这种问题不会报错，只会让 df.write.parquet("s3a://...") 一直 hang 住。 
