Spark2.1.0官方文档

Spark 概述

Apache Spark是一个快速和通用的集群计算系统。它提供Java，scala,Python、R语言的APIs，以及支持一般执行图形的优化引擎。 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和Spark Streaming。

下载

从项目网站的下载页面获取Spark。本文档适用于Spark 2.1.0版本。 Spark使用Hadoop的客户端库用于HDFS和YARN。下载是预先打包的一些流行的Hadoop版本。用户还可以下载“Hadoop free”二进制文件，并通过扩充Spark的类路径，使用任何Hadoop版本运行Spark。 Scala和Java用户可以使用其maven cooridnates在他们的项目中包含Spark，并且在将来Python用户也可以从PyPI安装Spark。

如果你想从源代码编译Spark，请访问Building Spark。

Spark在Windows和类UNIX系统（例如Linux，Mac OS）上运行。它很容易在一台计算机上本地运行 – 所有你需要的是在系统PATH上安装java，或者JAVA_HOME环境变量指向Java安装位置。

Spark运行于Java 7+，Python 2.6 + / 3.4 +和R 3.1+。对于Scala API，Spark 2.1.0使用Scala 2.11。您将需要使用兼容的Scala版本（2.11.x）。

请注意，Java 7和Python 2.6的支持在从Spark 2.0.0已过时，并且对于Scala 2.10和2.6之前的Hadoop版本的支持在Spark 2.1.0中已过时，并且可能会在Spark 2.2.0中被删除。

运行示例和Shell

Spark附带了几个示例程序。 Scala，Java，Python和R示例在 examples/src/ main目录中。 要运行Java或Scala示例程序之一，请在顶级Spark目录中使用bin / run-example [params]。 （在后台，这将调用更通用的spark提交脚本来启动应用程序）。 例如，

./bin/run-example SparkPi 10

您还可以通过Scala shell的修改版本以交互方式运行Spark。 这是一个学习框架的好方法。

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

--master选项指定分布式集群的master URL，或者本地使用一个线程运行在本地，或者使用local [N]在本地使用N个线程运行。 您应该首先使用local进行测试。 有关选项的完整列表，请运行Spark shell 使用–help选项。

Spark还提供了一个Python API。 要在Python解释器中以交互方式运行Spark，请使用bin / pyspark：

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

示例应用程序也在Python中提供。 例如，

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

Spark自1.4以来提供了一个实验R API（仅包括DataFrames API）。 要在R解释器中以交互方式运行Spark，请使用bin / sparkR：

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

示例应用也在R中提供。例如，

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

在群集上运行

Spark集群模式概述解释了在集群上运行的关键概念。 Spark可以单独运行，也可以通过多个现有集群管理器运行。 它目前提供了几个部署选项：

• 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

从哪里入手

编程指南

• 快速入门：快速介绍Spark API; 从这里开始！
• Spark编程指南：Spark所有支持的语言（Scala，Java，Python，R）
• 基于Spark的模块：
  
  • Spark Streaming：处理实时数据流
  • Spark SQL，Datasets和DataFrames：支持结构化数据和关系查询
  • MLlib：内置机器学习库
  • GraphX：Spark的新图形处理API

API Docs

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

部署指南

• 集群概述：在集群上运行的组件概述
• 提交应用程序：打包和部署应用程序
• 部署模式：
  
  • Amazon EC2：允许您在大约5分钟内在EC2上启动集群的脚本
  • 独立部署模式：快速启动独立集群，无需第三方集群管理器
  • Mesos：使用Apache Mesos部署私有集群
  • YARN：在Spark上部署Hadoop的下一代（YARN）

其他文档

• 配置：- 通过其配置系统定制Spark
• 监视：跟踪应用程序的行为
• 优化指南：优化性能和内存使用的最佳做法
• 作业调度：在Spark应用程序内部和跨程序调度资源
• 安全：Spark安全支持
• 硬件配置：针对集群硬件的建议
• 与其他存储系统集成：
  
  • OpenStack Swift
• 编译Spark：使用Maven系统构建Spark
• 贡献给Spark
• 第三方项目：相关第三方Spark项目

外部资源

• Spark主页
• Spark社区资源，包括当地meetups
• StackOverflow标签apache-spark
• 邮件列表：在这里提出关于Spark的问题
• AMP训练营：在加州大学伯克利分校的一系列训练营，有关于Spark，Spark Streaming，Mesos等的特色演讲和练习。 更多视频，幻灯片和练习可免费在线获取。
• 代码示例：更多也可以在Spark的examples 子文件夹中获得（Scala，Java，Python，R）