本地/“常規”文件系統
Spark支持從本地文件系統中讀取文件，不過它要求文件在集羣中所有節點的相同路徑下都可以找到。
一些像NFS、AFS以及MapR的NFS layer這樣的網絡文件系統會把文件以常規文件系統的形式暴露給用戶。如果你的數據已經在這些系統中，那麼你只需要指定輸入爲一個file://路徑；只要這個文件系統掛載在每個節點的同一個路徑下，Spark就會自動處理
JavaRDD<String> lines = sc.textFile("file://home/holden/happypandas.gz");
如果文件還沒有放在集羣中的所有節點上，你可以在驅動器程序中從本地讀取該文件而無需使用整個集羣，然後再調用parallelize將內容分發給工作節點。不過這種方式可能會比較慢，所以推薦的方法是將文件先放到像HDFS、NFS、S3等共享文件系統上。
Amazon S3
用Amazon S3來存儲大量數據正日益流行。當計算節點部署再Amazon EC2上的時候，使用S3作爲存儲尤其快，但是在需要通過公網訪問數據時性能會差很多。
要在Spark中訪問S3數據，你應該首先把你的S3訪問憑據設置爲AWS_ACCESS_KEY_ID和AWS_SECRET_ACCESS_KEY環境變量。你可以從Amazon Web Service控制檯創建這些憑據。接下來，將一個以s3n://開頭的路徑以s3n://bucket/path-within-bucket的形式傳給Spark的輸入方法。和其他所有文件系統一樣，Spark也能在S3路徑中支持通配字符，例如s3n://bucket/my-Files/*.txt。
如果你從Amazon那裏得到S3訪問權限錯誤，請確保你指定了訪問密鑰的賬號對數據桶有“read”和“list”的權限。Spark需要列出桶內的內容，來找到想要讀取的數據。
HDFS
Hadoop分佈式文件系統是一種廣泛使用的文件系統，Spark能夠很好地使用它。HDFS被設計爲可以在廉價地硬件上工作，有彈性地應對節點失敗，同時提供高吞吐量。Spark和HDFS可以部署在同一批機器上，這樣Spark可以利用數據分佈來儘量避免一些網絡開銷。
在Spark中使用HDFS只需要將輸入輸出路徑指定爲hdfs://master:port/path就夠了。
HDFS協議隨Hadoop版本改變而變化，因此如果你使用地Spark是依賴於另一個版本地Hadoop編譯的，那麼讀取會失敗。默認情況下，Spark基於Hadoop1.0.4編譯。如果從源代碼編譯，你可以在環境變量中指定SPARK_HADOOP_VERSION=來基於另一個版本的Hadoop進行編譯；也可以直接下載預編譯好的Spark版本。你可以根據運行hadoop version的結果來獲得環境變量要設置的值。