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

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）