Spark概述

Apache Spark是一个快速的通用集群计算系统。它提供Java，Scala，Python和R的高级API，以及支持常规执行图的优化引擎。它还支持一组丰富且更高级别的工具，包括用于SQL和结构化数据的处理的SparkSQL，用于机器学习的MLlib，用于图形处理的GraphX和Spark Streaming。

下载

从项目网站的下载页面中获取Spark 。本文档针对Spark版本2.2.0。Spark将Hadoop的客户端库用于HDFS和YARN。下载已预先打包为一些流行的Hadoop版本。用户还可以下载“免费的Hadoop”二进制文件，并通过扩展Spark的classpath在任何Hadoop版本上运行Spark 。Scala和Java用户可以使用其Maven坐标将Spark包含在他们的项目中，将来Python用户还可以从PyPI安装Spark。
如果您想从源代码构建Spark，请访问Building Spark。
Spark可在Windows和类似UNIX的系统（例如Linux，Mac OS）上运行。在一台机器上本地运行很容易-您所需要做的就是java在系统上安装PATH或JAVA_HOME指向Java安装的环境变量。
Spark可在Java 8 +，Python 2.7 + / 3.4 +和R 3.1+上运行。对于Scala API，Spark 2.2.0使用Scala 2.11。您将需要使用兼容的Scala版本（2.11.x）。
请注意，自Spark 2.2.0起已删除了对Java 7，Python 2.6和2.6.5之前的旧Hadoop版本的支持。
请注意，从Spark 2.1.0开始不支持Scala 2.10，并且在Spark 2.3.0中可能会删除它。

运行示例和Shell脚本

Spark附带了几个示例程序。
目录中有Scala，Java，Python和R示例 examples/src/main。
要运行Java或Scala示例程序中某一个，请在Spark的顶级目录中使用命令bin/run-example <class> [params]。
（在后台，这将调用更通用的 spark-submit脚本来启动应用程序）。例如，

./bin/run-example SparkPi 10

您还可以通过Scala shell以交互方式运行Spark。

./bin/spark-shell --master local[2]

其中--master用来指定分布式集群的 主URL，local用来使用一个线程在本地运行，或使用N个线程在本地运行local[N]。
您应该先从local开始进行测试 。
Spark还提供了Python API。要在Python解释器中交互式运行Spark，请使用 bin/pyspark：

./bin/pyspark --master local[2]

Python中还提供了示例应用程序。例如，

./bin/spark-submit examples/src/main/python/pi.py 10

从1.4开始，Spark还提供了实验性R API（仅包含DataFrames API）。
要在R解释器中交互式地运行Spark，请使用bin/sparkR：

./bin/sparkR --master local[2]

R中还提供了示例应用程序。例如，

./bin/spark-submit examples/src/main/r/dataframe.R

在集群上启动

Spark集群模式概述介绍了在集群上运行的关键概念。Spark既可以单独运行，也可以在多个现有集群管理器上运行。当前，它提供了几种部署选项：

• Standalone |独立部署模式：在私有集群上部署Spark的最简单方法
• Apache Mesos
• Hadoop YARN

接下来

编程指南：

• 快速入门：Spark API快速入门；从这里开始！
• Spark编程指南：以所有受支持的语言（Scala，Java，Python，R）详细介绍Spark
• 基于Spark构建的模块：
  • Spark Streaming：处理实时数据流
  • Spark SQL, Datasets（数据集）, and DataFrames（数据框）：支持结构化数据和关系查询
  • MLlib：内置的机器学习库
  • GraphX：Spark的新图形处理API

API文件：

• Spark Scala API（Scaladoc）
• Spark Java API（Javadoc）
• Spark Python API（Sphinx）
• Spark R API（Roxygen2）

部署指南：

• 集群概述：在集群上运行时的概念和组件概述
• 提交应用程序：打包和部署应用程序
• 部署方式：
  • Amazon EC2：可使您在大约5分钟内在EC2上启动集群的脚本
  • 独立部署模式：无需第三方集群管理器即可快速启动独立集群
  • Mesos：使用Apache Mesos部署私有集群
  • YARN：在Hadoop NextGen（YARN）之上部署Spark
  • Kubernetes（实验性）：在Kubernetes之上部署Spark

其他文件：

• 配置：通过其配置系统自定义Spark
• 监视：跟踪应用程序的行为
• 调优指南：优化性能和内存使用的最佳做法
• 作业调度：在Spark应用程序之间和内部调度资源
• 安全性：Spark安全性支持
• 硬件配置：有关群集硬件的建议
• 与其他存储系统集成：
  • OpenStack迅捷
• 构建Spark：使用Maven系统构建Spark
• 为Spark贡献
• 第三方项目：相关的第三方Spark项目

外部资源：

• Spark主页
• Spark社区资源，包括本地聚会
• StackOverflow标签 apache-spark
• 邮件列表：在此处询问有关Spark的问题
• AMP训练营：加州大学伯克利分校的一系列训练营，以关于Spark，Spark Streaming，Mesos等的讲座和练习为特色。视频， 幻灯片和练习可在线免费获得。
• 代码示例：examplesSpark的子文件夹（Scala， Java， Python， R）中也提供更多示例