val conf = new SparkConf().setMaster("master").setAppName("appName")
val sc = new SparkContext(conf)
或者
val sc = new SparkContext("master","appName")
通過創建SparkConf對象來配置應用，然后基於這個SparkConf創建一個SparkContext對象。驅動器程序通過SparkContext對象來訪問Spark。
這個對象代表對計算集群的一個連接。一旦有了SparkContext， 就可以用它來創建RDD。
Java:
SparkConf conf = new SparkConf().setMaster("local").setAppName("My App");
JavaSparkContext sc = new JavaSparkContext(conf);
只需傳遞兩個參數：
集群URL：告訴Spark如何連接到集群上。例子中使用local可以讓Spark運行在單機單線程上而無需連接到集群。
應用名：例子中使用My App。當連接到一個集群時，這個值可以幫助我們在集群管理器的用戶界面中找到應用。
在Spark2.0之前， SparkContext 是所有 Spark 功能的結構， 驅動器（driver） 通過SparkContext 連接到集群 （通過resource manager）， 因為在2.0之前， RDD就是Spark的基礎。
如果需要建立SparkContext，則需要SparkConf，通過Conf來配置SparkContext的內容。
在Spark2.0之后，Spark Session也是Spark 的一個入口， 為了引入dataframe和dataset的API， 同時保留了原來SparkContext的functionality，
如果想要使用 HIVE，SQL，Streaming的API， 就需要Spark Session作為入口。
SparkSession spark = SparkSession.builder().appName("demo_spark").enableHiveSupport().getOrCreate();
1）SparkSession.builder() 創建此方法用於構造SparkSession。
2）master(“local”) 設置要連接的master URL，例如：
“local”在本地運行
“local[4]”以4核在本地運行
“spark://master:7077”在spark獨立集群上運行
3）appName( ) 設置將在spark Web UI中顯示的應用程序的名稱。如果未設置應用程序名稱，則將使用隨機生成的名稱。
4）Config 設置使用此方法設置的配置選項會自動傳遞到'SparkConf'和'SparkSession'自己的配置，它的參數由鍵值對組成。
5）enableHiveSupport啟用Hive支持，類似於HiveContext創建了sparkSession，我們可以用它來讀取數據。
6）getOrCreate()方法表示有就拿過來，沒有就創建，類似於單例模式。
使用SparkSession讀取數據SparkSession是讀取數據的入口點，類似於舊的SQLContext.read。以下代碼使用SparkSession從CSV讀取數據：
val df = spark.read.format("com.databricks.spark.csv")
.schema(customSchema)
.load("data.csv")
從Spark 2.0.0開始，最好使用SparkSession，因為它提供了對sparkContext所具有的所有spark功能的訪問。 此外，它還提供了用於處理DataFrame和DataSet的API
運行SQL查詢SparkSession可用於對數據執行SQL查詢，將結果作為Data-Frame（即數據集[ROW]）返回。
眾所周知，在以前的版本中，sparkcontext 是spark的入口點，因為RDD是主要的API，它是使用上下文API創建和操作的。 對於每個其他API，我們需要使用不同的context。
對於流式傳輸，我們需要streamingContext。 對於SQL sqlContext和hive hiveContext.，因為dataSet和DataFrame API正在成為新的獨立API，我們需要為它們構建入口點。 因此在spark 2.0中，我們為DataSet和DataFrame API創建了一個新的入口點構建，稱為Spark-Session。
它是SQLContext，HiveContext和未來的streamingContext的組合。 在這些context中可用的所有API都可以在SparkSession上獲得，SparkSession也有實際計算的spark context 。
SparkSession： SparkSession實質上是SQLContext和HiveContext的組合（未來可能還會加上StreamingContext），
所以在SQLContext和HiveContext上可用的API在SparkSession上同樣是可以使用的。SparkSession內部封裝了sparkContext，所以計算實際上是由sparkContext完成的。
Scala:
val sparkSession = SparkSession.builder
.master("master")
.appName("appName")
.getOrCreate()
或者
SparkSession.builder.config(conf=SparkConf())
I、 SparkSubmit 的 shell腳本
/data/spark/spark-2.2.0-bin-hadoop2.7/bin/spark-submit
--master spark://elcndc2sc39t:7077
--class com.enc.analysis.core.AlgorithmExecute
/data/upload/analysis/analysisFrame-1.1.0.jar $1 $2
-----------------------------------------------------------------
--master表示master路徑，
--class表示入口的類的全路徑
/data/upload/analysis/analysisFrame-1.1.0.jar 表示計算框架jar包的全路徑
$1,$2..是自定義的shell命令進行傳參，傳遞的參數會在入口類的main方法的String[] args中
II、 利用Spark讀取jdbc
Properties connectionProperties = new Properties();
String url = "jdbc:mysql://" + "mysql服務器地址" + ":" + "mysql端口" + "/" + "數據庫名?useUnicode=true&characterEncoding=utf-8";
String driver = "com.mysql.jdbc.Driver";
connectionProperties.setProperty("user", "用戶名");// 設置用戶名
connectionProperties.setProperty("password", "密碼");// 設置密碼
connectionProperties.setProperty("driver", driver);
connectionProperties.setProperty("url",url);
SparkSession spark = SparkSessionUtils.getLocalSession();
Dataset<Row> dataset = spark.read().jdbc(connectionProperties.getProperty("url"),"表名",connectionProperties).persist();
dataset.show();