Skip to content
EntityQ7573619· pop 20· linked from 279 articles

Apache Spark

Sign in to save

Also known as Spark

фреймворк распределённой обработки данных, входит в экосистему Hadoop

Official website

Apache Spark™ - Unified Engine for large-scale data analytics

Apache Spark is a multi-language engine for executing data engineering, data science, and machine learning on single-node machines or clusters.

spark.apache.org →

Link to the official site · 6,888 chars · not written by Vinony

Source code

Spark is a unified analytics engine for large-scale data processing. It provides high-level APIs in Scala, Java, Python, and R (Deprecated), and an optimized engine that supports general computation graphs for data analysis. It also supports a rich set of higher-level tools including Spark SQL for SQL and DataFrames, pandas API on Spark for pandas workloads, MLlib for machine learning, GraphX for graph processing, and Structured Streaming for stream processing. Official version: Development version: You can find the latest Spark documentation, including a programming guide, on the project web page. This README file only contains basic setup instructions. Spark is built using Apache Maven. To build Spark and its example programs, run: More detailed documentation is available from the project site, at "Building Spark". For general development tips, including info on developing Spark using an IDE, see "Useful Developer Tools". Spark also comes with several sample programs in the examples directory. To run one of them, use ./bin/run-example [params] . For example: You can set the MASTER environment variable when running examples to submit examples to a cluster. This can be spark:// URL, "yarn" to run on YARN, and "local" to run locally with one thread, or "local[N]" to run locally with N threads. You can also use an abbreviated class name if the class is in the examples package. For instance: Many of the example programs print usage help if no params are given. Testing first requires building Spark. Once Spark is built, tests can be run using: Spark uses the Hadoop core library to talk to HDFS and other Hadoop-supported storage systems. Because the protocols have changed in different versions of Hadoop, you must build Spark against the same version that your cluster runs. Please refer to the build documentation at "Specifying the Hadoop Version and Enabling YARN" for detailed guidance on building for a particular distribution of Hadoop, including building for particular Hive and Hive Thriftserver distributions. Please review the Contribution to Spark guide for information on how to get started contributing to the project.

Excerpt from the source-code README · 20,120 chars · not written by Vinony

Wikidata facts

Field of work
database
Founded by
Matei Zaharia
Official website
spark.apache.org
Image
Schéma détail outils spark.png
Has use
big data
Show 12 more facts
Commons category
Apache Spark
software version identifier
4.1.1
operating system
Linux
readable file format
JSON
writable file format
Apache Avro
inception
2014-03-01
source code repository URL
gitbox.apache.org/repos/asf/spark.git
copyright license
BSD licenses
Sources (6)

via Wikidata · CC0

Article · Русский

Apache Spark (от англ. spark — искра, вспышка) — фреймворк с открытым исходным кодом для реализации распределённой обработки неструктурированных и слабоструктурированных данных, входящий в экосистему проектов Hadoop. В отличие от классического обработчика из ядра Hadoop, реализующего двухуровневую концепцию MapReduce с хранением промежуточных данных на накопителях, Spark работает в парадигме (англ. in-memory computing) — обрабатывает данные в оперативной памяти, благодаря чему позволяет получать значительный выигрыш в скорости работы для некоторых классов задач, в частности, возможность многократного доступа к загруженным в память пользовательским данным делает библиотеку привлекательной для алгоритмов машинного обучения. Проект предоставляет программные интерфейсы для языков Java, Scala, Python, R. Изначально написан на Scala, впоследствии добавлена существенная часть кода на Java для предоставления возможности написания программ непосредственно на Java. Состоит из ядра и нескольких расширений, таких как Spark SQL (позволяет выполнять SQL-запросы над данными), Spark Streaming (надстройка для обработки потоковых данных), Spark MLlib (набор библиотек машинного обучения), GraphX (предназначено для распределённой обработки графов). Может работать как в среде кластера Hadoop под управлением YARN, так и без компонентов ядра Hadoop, поддерживает несколько распределённых систем хранения — HDFS, OpenStack Swift, NoSQL-СУБД Cassandra, Amazon S3. Ключевой автор — румынско-канадский учёный в области информатики (англ. Matei Zaharia), начал работу над проектом в 2009 году, будучи аспирантом Университета Калифорнии в Беркли. В 2010 году проект опубликован под лицензией BSD, в 2013 году передан фонду Apache и переведён на лицензию Apache 2.0, в 2014 году принят в число проектов верхнего уровня Apache. В 2022 году проект получил ежегодную премию SIGMOD в номинации «Системы».

Abstract from DBpedia / Wikipedia · CC BY-SA