是的，当然。spark是一个独立的计算框架。hadoop是一个具有mapreduce计算框架的分布式存储系统（hdfs）。spark可以从hdfs以及任何其他数据源（如传统数据库（jdbc）、kafka甚至本地磁盘）获取数据。

不，它需要完整的hadoop安装才能开始工作-https://issues.apache.org/jira/browse/spark-10944

是的，你可以不用hadoop安装spark。这将是一个小技巧，你可以参考arnonlink使用parquet来配置s3上的数据存储。http://arnon.me/2015/08/spark-parquet-s3/
spark只是做处理，它使用动态内存来执行任务，但是要存储数据需要一些数据存储系统。hadoop在spark中扮演了一个角色，它为spark提供了存储空间。将hadoop与spark结合使用的另一个原因是，它们是开源的，与其他数据存储系统相比，两者可以轻松地集成在一起。对于像s3这样的其他存储，您应该很难像上面链接中提到的那样配置它。
但是hadoop也有它的处理单元mapreduce。
想知道两者的区别吗？
检查本文：https://www.dezyre.com/article/hadoop-mapreduce-vs-apache-spark-who-wins-the-battle/83
我想这篇文章会帮助你理解
使用什么，
何时使用和
如何使用！！！

默认情况下，spark没有存储机制。
为了存储数据，需要快速、可扩展的文件系统。您可以使用s3或hdfs或任何其他文件系统。由于成本低，hadoop是一个经济的选择。
此外，如果你使用超光速粒子，它将提高性能与hadoop。强烈建议使用hadoop进行apachespark处理。

是的，spark可以在安装hadoop的情况下运行，也可以不安装hadoop来查看更多细节-https://spark.apache.org/docs/latest/

根据spark文档，spark可以在没有hadoop的情况下运行。
您可以作为独立模式运行它，而不需要任何资源管理器。
但是，如果您想在多节点设置中运行，则需要一个资源管理器（如yarn或mesos）和一个分布式文件系统（如hdfs、s3等）。

spark可以在没有hadoop的情况下运行，但是它的一些功能依赖于hadoop的代码（例如处理Parquet文件）。我们在mesos和s3上运行spark，虽然设置起来有点棘手，但一旦完成，它的工作就非常好了（您可以在这里阅读正确设置它所需的内容摘要）。
（编辑）注意：由于版本2.3.0，spark还添加了对kubernetes的本机支持

spark是一个内存分布式计算引擎。
hadoop是分布式存储（hdfs）和分布式处理（yarn）的框架。
spark可以使用或不使用hadoop组件（hdfs/yarn）运行

分布式存储：

由于spark没有自己的分布式存储系统，因此它必须依赖其中一个存储系统来进行分布式计算。
s3–非紧急批处理作业。当数据局部性不重要时，s3适合非常特定的用例。
cassandra–非常适合流式数据分析和批处理作业。
hdfs–非常适合批量作业，而不影响数据位置。

分布式处理：

您可以在三种不同的模式下运行spark：独立模式、Yarn模式和mesos模式
有关分布式存储和分布式处理的详细说明，请看下面的问题。
我应该为spark选择哪种群集类型？

是的，spark可以在没有hadoop的情况下运行。您可以在本地计算机上安装spark而不必使用hadoop。但是spark lib附带了pre-haddop库，即在本地机器上安装时使用的库。

是的，spark可以在没有hadoop的情况下运行。所有核心spark特性都将继续工作，但是您将错过一些事情，例如通过hdfs将所有文件（代码和数据）轻松分发到集群中的所有节点等。