Apache Spark是一种强大的分布式计算系统，它提供了一个快速的、通用的计算引擎。在Spark 1.1版本中，引入了许多新特性和改进。本篇文档主要介绍了如何快速上手Spark 1.1，使用spark-shell进行交互式操作，以及如何使用Spark API编写并运行一个简单的程序在集群上执行。
文档提到了如何启动Spark Shell。启动单机版的spark-shell很简单，只需要在命令行中输入`bin/spark-shell`即可。如果要启动集群模式的spark-shell，需要指定master URL，例如`bin/spark-shell --master spark://sparkMaster:7077`。这里的`sparkMaster:7077`是集群中主节点的地址和端口，需要根据实际情况进行替换。
接下来，文档中通过实际例子说明了如何使用Spark进行数据分析。Spark中的基础数据结构是RDD（弹性分布式数据集）。RDD是Spark的分布式内存抽象，是容错的、并行的数据结构，使得用户可以在大数据集上执行并行操作。
在文档中，通过`val frdd = sc.textFile("hdfs://sparkMaster:9000/wordcount/in/word.txt")`创建了一个RDD。这个RDD是通过读取HDFS上的文本文件生成的，`sc`是SparkContext的实例，它是进入Spark的主要入口点。创建RDD后，可以对它进行一系列的转换操作（transformations）和行动操作（actions）。转换操作会对RDD中的数据进行某种计算，生成一个新的RDD，而行动操作则是触发计算并将结果返回给驱动程序或者写入到存储系统中。
文档中举例说明了几个常见的转换操作和行动操作。如`frdd.count`返回RDD中元素的数量；`frdd.first`返回RDD中的第一个元素；`frdd.filter`根据给定的函数过滤RDD中的元素，并返回新的RDD。在行动操作中，例如`frdd.count`和`frdd.first`，调用后会立即计算并返回结果。而使用`frdd.filter(_.contains("hello")).count`这样的链式调用，Spark会对RDD进行一系列的转换并最终返回行动操作的结果。
文档进一步展示了对RDD元素进行更复杂的操作，如使用`map`、`flatMap`、`reduce`等操作对数据集进行处理。`map`操作可以对RDD中的每个元素应用一个函数，`flatMap`可以对每个元素应用一个函数，并将结果扁平化，而`reduce`操作则是对RDD中的所有元素执行一个自定义的聚合函数。
在了解了如何操作RDD之后，文档介绍了缓存（Caching）的概念。Spark支持将RDD缓存到内存中，这对于需要重复访问数据的场景非常有用。例如，在做文本分析时，我们可能需要多次迭代对特定词出现的频率进行统计，此时可以使用`cache()`方法将RDD存储在内存中，从而加快后续的处理速度。
文档提供了一个简单例子来演示如何使用Spark API编写一个独立应用程序（Standalone Application）。在IDEA中创建一个基于Maven的项目，编写代码并打包成jar文件，然后使用`spark-submit`命令提交到Spark集群运行。例如使用命令`$SPARK_HOME/bin/spark-submit --class "HelloSpark" --master spark://sparkMaster:7077 ./HelloSpark-1.0-SNAPSHOT.jar`，其中`--class`指定了应用程序的入口点，而`--master`指定了应用程序运行的集群地址和端口。
在以上介绍中，可以了解到Spark 1.1版本的核心概念，包括如何启动和使用spark-shell，对RDD进行基本的操作，以及如何将编写的程序运行在Spark集群上。在实际工作中，Spark强大的处理能力、高容错性以及易用性使得它在大数据处理领域具有非常重要的地位。通过这篇文章的指导，初学者可以快速入门Spark，并且在后续的学习中逐渐掌握更多高级特性和优化技巧。
