论文：Spark: Cluster Computing with Working Sets
1.背景：
解决一些hadoop无法胜任的工作，倒不是hadoop不能做，就是hadoop做这些事情效果不好，时间长。因为hadoop 每个map reduce都会把中间内容数据写到disk里面，之后再从disk里面读，太耗时间了。特别是下面两种情况：
Hadoop无法解决那些需要重复迭代使用数据的问题。
（1）Iterative jops 迭代：重复在一个数据集上进行操作,比如Kmeans算法，那些在数据集上进行迭代运算，求梯度的算法等等。Hadoop 每次迭代都分解为map reduce。每次都需要从磁盘度数据，性能严重影响。
（2）Itrative analytics: 那些比如要在一个数据集重复查询某些query进行分析。
说到底就是hadoop都是磁盘读数据，严重影响性能。要是能把数据放到内存里去就好了。
2.解决方案：
Spark框架，保留了hadoop的优点，还通过把数据放到内存里面，解决了这些问题，spark还是建立在hadoop生态全上的，数据存储还是用hdfs。
具体如何实现的呢？因为引入了RDD这个东西。
何为RDD：
RDD，RDD是spark的抽象数据结构类型，在spark里面，任何数据都是被表示为RDD，是一个只可读的分布式数据集合。可以认为就是个数组或者表，但是是分区存放的，并且RDD提供一下并行接口，保证可以并行map reduce。
spark在执行过程也是RDD->RDD->RDD->result。spark的过程其实就是把数据转为RDD然后对RDD进行一系列的相应的转换，操作最后输出结果。并且这些RDD都是存放在内存里面的。
可以持久化一个RDD到内存，cache它，下次就可以无须计算，直接使用内存cache的数据，
3.RDD的容错能力：
lineage(继承)，可以通过记录的信息，从原始可靠数据还原出RDD，RDD不需要数据存在物理磁盘，只要保存足够的信息，可以从原数据及计算出RDD即可。
RDD可以被rebuild。因为RDD都是从一系列RDD转换过来的，这里涉及到惰性转换，其实就是在RDD转换的过程中，其实并没有执行，只是保存了一些信息，这些信息记录了前后RDD是如何转换的，只有当需要输出计算的action操作发生，才会执行。
（论文原话，RDD ：store as a chain of object(pointer to parent,information how rdd transform)
和hadoop保留多份副本的方案不一致，这样简单还可以省空间。
4.如果构建和产生RDD：
（1）文件系统，hdfs，本地文件等
（2）parallelizing 直接产生数组
（3）transform from 已存在的RDD
(4) changing from 持久化的RDD
mac安装过程：
（1）安装java，配置环境变量，下个jdk7以上的
（2）安装scale，配置环境变量（直接下载解压，文件目录添加到HOME，简单）
(3) 安装spark，下载解压，进入目录编译，sbt编译（稍微配置一下路径即可，简单，不过要编译很久，也可以下载编译好的直接运行）
网上可容易查找配置步骤，没难度。
1.创建RDD：
（1）从集合（数组） parallelize(list[1,2,3,4,5])
（2）从外部文件（hdfs，普通文件系统）textFile(filePath)
RDD:包括 transform ations 两种操作类型
转化，动作。
转化：就是从一个rdd变成另外一个rdd，并且会记住上次rdd，实际不执行，叫惰性转换。
就看做是一个指针，记住了这些该做的操作可是没做，留着以后一起做。
动作：action阶段才会执行代码。value值。
Transform：
比如map，filter这些
Action：
count(),collection() 这些
2.运行spark，可以使用java python scala。
先使用scala的命令行来熟悉一下提供的API
API:
Transform：
Map（func）：
对RDD中的每个数据元素执行一个函数，产生一个新的RDD。和hadoop里面的map一样意思。map（x=>x*2）这边要说明，map只接受KV格式的RDD
MapValue:
输入对应kv中的v，k保证不变，对v进行操作，组成一个新kv
Filter（func）:
对元素进行过滤，每个元素应用f函数，返回值为true的在rdd保留。
Distinct:
去重
Action：
Reduce（func）:
reduce就是规约嘛，两两前后规约。[1,2,3,4,5,6,7] 1+2=3 3+3=6 6+4=10 sum
和hadoop里面的reduce的对应的是reducebykey。规约相同key的数据。
collect()
以数组形式 返回数据集的所有元素
count()
返回数据集的个数
first()
take(n) : top n
持久化RDD:
spark可以持久化一个RDD，就是可以把一个数据集保存或者缓存到内存，使得之后用到这个数据集的时候速度非常快。
