spark 2.0.1（技术预览版）的编译与测试（附一些新特性的介绍）

spark 2.0的预览版在前几个月已经吵得沸沸扬扬，趁着今天一起编译了下这个版本，还是非常方便的。

这回采用MVN来进行编译，具体见官网的编译帮助。

Building with build/mvn

Spark now comes packaged with a self-contained Maven installation to ease building and deployment of Spark from source located under thebuild/ directory. This script will automatically download and setup all necessary build requirements (Maven, Scala, and Zinc) locally within thebuild/ directory itself. It honors any mvn binary if present already, however, will pull down its own copy of Scala and Zinc regardless to ensure proper version requirements are met. build/mvn execution acts as a pass through to the mvn call allowing easy transition from previous build methods. As an example, one can build a version of Spark as follows:

build/mvn -Pyarn -Phadoop-2.4 -Dhadoop.version=2.4.0 -DskipTests clean package

输入上述命令，即可编译完成。

然后配置各种环境，进行测试，如对其dataset进行测试。

这个看起来还是相当不错的。以后dataset的用途将相当明显。

当然从目前一些介绍来看，这个升级版本在SQL查询方面将更加强大。

最终的Apache Spark 2.0发布还有几个星期，其新特性主要如下：

更简单：SQL和简化的API

Spark 2.0依然拥有标准的SQL支持和统一的DataFrame/Dataset API。但我们扩展了Spark的SQL 性能，引进了一个新的ANSI SQL解析器并支持子查询。Spark 2.0可以运行所有的99 TPC-DS的查询，这需要很多的SQL：2003功能。

在编程API方面，我们已经简化了API：

• 统一Scala/Java下的DataFrames 和 Datasets 

• SparkSession

• 更简单、更高性能的Accumulator API

• 基于DataFrame的Machine Learning API 将成为主要的ML API

• Machine Learning 管道持久性 

• R中的分布式算法

更快：Spark 作为一个编译器

Spark 2.0将拥有更快的速度，下图是Spark 2.0和Spark 1.6的速度对比图：

更智能：结构化数据流

通过在DataFrames之上构建持久化的应用程序来不断简化数据流，允许我们统一数据流，支持交互和批量查询。