转载

Apache Spark 1.3 发布，开源集群计算环境

3月21日深圳 OSC 源创会开始报名罗，送华为海思开发板

Apache Spark 1.3 发布，1.3 版本引入了期待已久的 DataFrame API，这是 Spark 的 RDD 抽象设计来简单快速支持大数据集的变革。同时在流转换 ML 和 SQL 的大量提升。

DateFrame API 示例：

# Constructs a DataFrame from a JSON dataset. users = context.load("s3n://path/to/users.json", "json")  # Create a new DataFrame that contains “young users” only young = users.filter(users.age < 21)  # Alternatively, using Pandas-like syntax young = users[users.age < 21]  # DataFrame's support existing RDD operators print("Young users: " + young.count())

详细介绍请看发行说明。

Spark 是一种与Hadoop 相似的开源集群计算环境，但是两者之间还存在一些不同之处，这些有用的不同之处使 Spark 在某些工作负载方面表现得更加优越，换句话说，Spark 启用了内存分布数据集，除了能够提供交互式查询外，它还可以优化迭代工作负载。

Spark 是在Scala 语言中实现的，它将 Scala 用作其应用程序框架。与 Hadoop 不同，Spark 和 Scala 能够紧密集成，其中的 Scala 可以像操作本地集合对象一样轻松地操作分布式数据集。

尽管创建 Spark 是为了支持分布式数据集上的迭代作业，但是实际上它是对 Hadoop 的补充，可以在 Hadoo 文件系统中并行运行。通过名为 Mesos 的第三方集群框架可以支持此行为。Spark 由加州大学伯克利分校 AMP 实验室 (Algorithms, Machines, and People Lab) 开发，可用来构建大型的、低延迟的数据分析应用程序。

Apache Spark 1.3 发布，开源集群计算环境