Spark 概述

Apache Spark 是一个快速的、多用途的集群计算系统。在 Java，Scala，Python 和 R 语言以及一个支持常见的图计算的经过优化的引擎中提供了高级 API。它还支持一组丰富的高级工具，包括用于 SQL 和结构化数据处理的 Spark SQL，用于机器学习的 MLlib，用于图形处理的 GraphX 以及 Spark Streaming。

---

下载

从该项目官网的 下载页面 获取 Spark，该文档用于 Spark 2.0.2 版本。Spark 使用了用于 HDFS 和 YRAN 的 Hadoop client 的库。为了适用于主流的 Hadoop 版本可以下载先前的 package。用户还可以下载 “Hadoop free” binary 并且可以 通过增加 Spark 的 classpath 来与任何的 Hadoop 版本一起运行 Spark。

如果您希望从源码中构建 Spark，请访问 构建 Spark。

Spark 既可以在 Windows 上运行又可以在类似 UNIX 的系统（例如，Linux，Mac OS）上运行。它很容易在一台机器上本地运行 - 您只需要在您的系统 PATH 上安装 Java，或者将 JAVA_HOME 环境变量指向一个 Java 安装目录。

Spark 可运行在 Java 7+，Python 2.6+/3.4 和 R 3.1+ 的环境上。 针对 Scala API，Spark 2.0.1 使用了 Scala 2.11。 您将需要去使用一个可兼容的 Scala 版本（2.11.x）。

---

运行示例和 Shell

Spark 自带了几个示例程序。 Scala，Java，Python 和 R 的示例在 examples/src/main 目录中。在最顶层的 Spark 目录中使用 bin/run-example [params] 该命令来运行 Java 或者 Scala 中的某个示例程序。（在该例子的底层，调用了 spark-submit 脚本以启动应用程序 ）。 例如，

1	./bin/run-example SparkPi 10

您也可以通过一个改进版的 Scala shell 来运行交互式的 Spark。这是一个来学习该框架比较好的方式。

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

这个 –master 选项可以指定为 分布式集群中的 master URL，或者指定为 local 以使用 1 个线程在本地运行，或者指定为 local[N] 以使用 N 个线程在本地运行 。您应该指定为 local 来启动以便测试。该选项的完整列表，请使用 –help 选项来运行 Spark shell。

Spark 同样支持 Python API。在 Python interpreter（解释器）中运行交互式的 Spark，请使用 bin/pyspark :

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

Python 中也提供了应用示例。例如，

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

从 1.4 开始（仅包含了 DataFrames API）Spark 也提供了一个用于实验性的 R API。为了在 R interpreter（解释器）中运行交互式的 Spark，请执行 bin/sparkR :

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

R 中也提供了应用示例。例如，

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

---

在集群上运行

Spark 集群模式概述 说明了在集群上运行的主要的概念。Spark 既可以独立运行，也可以在几个已存在的 Cluster Manager（集群管理器）上运行。它当前提供了几种用于部署的选项 :

• Spark Standalone 模式 : 在私有集群上部署 Spark 最简单的方式。
• Spark on Mesos
• Spark on YARN

---

快速跳转

编程指南 :

• 快速入门 : 简单的介绍 Spark API，从这里开始！~
• Spark 编程指南 : 在所有 Spark 支持的语言（Scala，Java，Pyth 大专栏  Spark 概述on，R）中的详细概述。
• 构建在 Spark 之上的模块 :
  • Spark Streaming : 实时数据流处理。
  • Spark SQL，Datasets，和 DataFrames : 支持结构化数据和关系查询。
  • MLlib : 内置的机器学习库。
  • GraphX : 新一代用于图形处理的 Spark API。

API 文档:

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

部署指南:

• 集群模式概述 : 在集群上运行时概念和组件的概述。
• 提交应用程序 : 打包和部署应用。
• 部署模式 :
  • Amazon EC2 : 花费大约 5 分钟的时间让您在 EC2 上启动一个集群的介绍
  • Spark Standalone 模式 : 在不依赖第三方 Cluster Manager 的情况下快速的启动一个独立的集群
    • 部署案例
  • Spark on Mesos : 使用 Apache Mesos 来部署一个私有的集群
  • Spark on YARN : 在 Hadoop NextGen（YARN）上部署 Spark
    • 部署案例

其他文件:

• 配置: 通过它的配置系统定制 Spark
• 监控 : 监控应用程序的运行情况
• 优化指南 : 性能优化和内存调优的最佳实践
• 作业调度 : 资源调度和任务调度
• 安全性 : Spark 安全性支持
• 硬件配置 : 集群硬件挑选的建议
• 与其他存储系统的集成 :
  • OpenStack Swift
• 构建 Spark : 使用 Maven 来构建 Spark
• Contributing to Spark
• Third Party Projects : 其它第三方 Spark 项目的支持

外部资源:

• Spark 主页
• Spark Wiki
• Spark 社区 资源，包括当地的聚会
• StackOverflow tag apache-spark
• 邮件列表 : 在这里询问关于 Spark 的问题
• AMP 营地 在加州大学伯克利分校: 一系列的训练营, 特色和讨论 练习对 Spark，Spark Steaming，Mesos 以及更多。可以免费通过 视频 , 幻灯片 和 练习 学习。
• 代码示例 : 更多示例可以在 Spark 的子文件夹中（Scala , Java , Python , R ）获得。