Apache Spark 1.6正式发布，性能大幅度提升

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。