Apache Spark 1.6 正式发布，性能大幅度提升

可3102

欢迎加入运维网交流群:263444886  
　　Apache Spark 1.6 正式发布，Spark 1.6 包含 1000+ 分支，主要是三个大方面的改进：性能提升，新的 Dataset API 和数据科学功能的扩展。这是社区开发非常重要的一个里程碑：Spark 贡献者人数突破 1000 人，比 2014 年多一倍。
　　
性能提升
　　根据 Apache Spark 官方 2015 年 Spark Survey，有 91% 的用户想要提升 Spark 的性能。

• 　　Parquet 性能
  
• 　　自动化内存管理
  
• 　　流状态管理速度提升 10X
  

Dataset API
　　Spark 团队引入了 DataFrames。
　　
新的科学计算功能

• 　　机器学习管道持久性
  
• 　　新的算法和功能：
  　　
  
  
  
  • 　　univariate and bivariate statistics
    
  • 　　survival analysis
    
  • 　　normal equation for least squares
    
  • 　　bisecting K-Means clustering
    
  • 　　online hypothesis testing
    
  • 　　Latent Dirichlet Allocation (LDA) in ML Pipelines
    
  • 　　R-like statistics for GLMs
    
  • 　　feature interactions in R formula
    
  • 　　instance weights for GLMs
    
  • 　　univariate and bivariate statistics in DataFrames
    
  • 　　LIBSVM data source
    
  • 　　non-standard JSON data
    
  
  

　　更多改进内容请看发行说明。
　　
　　Apache 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。