mllib是老的api，裏面的模型都是基於RDD的，模型使用的時候api也是有變化的(model這裏是naiveBayes)，
（1：在模型訓練的時候是naiveBayes.run(data: RDD[LabeledPoint])來訓練的，run之後的返回值是一個NaiveBayesModel對象，就可以使用NaiveBayesModel.predict(testData: RDD[Vector]): RDD[Double] 裏面不僅可以傳入一個RDD[Vector] ,裏面還可以傳入單個Vector，得到單個預測值，然後就可以調用save來進行保存了，具體的可以看官方文檔API
(2：模型使用可以參考（1，模型的讀取是使用load方法去讀的

ml是新的API，ml包裏面的模型是基於dataframe操作的
（1：在模型訓練的時候是使用naiveBayes.fit(dataset: Dataset[]): NaiveBayesModel來訓練模型的，返回值是一個naiveBayesModel，可以使用naiveBayesModel.transform(dataset: Dataset[]): DataFrame，進行模型的檢驗，然後再通過其他的方法來評估這個模型，
（2：模型的使用可以參考（1： 是使用transform來進行預測的，取預測值可以使用select來取值，使用select的時候可以使用“$”label””的形式來取值

訓練的時候是使用的NaiveBayes,使用的時候使用naiveBayesModel

ml包裏的模型訓練代碼請參考ml包裏面的模型訓練代碼 ml包裏面的模型的使用

mllib代碼的使用會在稍後貼上：
mllib的建模使用代碼：

import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.mllib.feature.HashingTF
import org.apache.spark.mllib.regression.LabeledPoint
import org.apache.spark.mllib.classification.LogisticRegressionWithSGD

 
class EmailClassification {

}
object EmailClassification{
  def main(args: Array[String]): Unit = {
    val sc = getSparkCont()
    //每一行都以一封郵件
    val spam = sc.textFile("spam.txt");
    val nomal = sc.textFile("normal.txt")

    //創建一個hashingTF實例來吧郵件文本映射為包含10000個特征的向量
    val tf = new HashingTF(10000)
    //把郵件都被分割為單詞，每個單詞都被映射成一個向量
    val spamFeatures = spam.map { email => tf.transform(email.split(" ")) }
    val nomalFeatures = nomal.map { email => tf.transform(email.split(" ")) }

    //創建LabelPoint 的數據集
    val positiveExamples = spamFeatures.map { feature => LabeledPoint(1,feature) }
    val negativeExamples = nomalFeatures.map { feature => LabeledPoint(1,feature) }
    val trainingData = positiveExamples.union(negativeExamples)

    //使用SGD算法運行邏輯回歸 返回的類型是LogisticRegression 但是這個模型是有save，但是沒有load方法，我還在思考，讀者如果有什麽意見或者看法可以下面評論的
    val model = new LogisticRegressionWithSGD().run(trainingData)

    //創建一個郵件向量進行測試
    val posTest = tf.transform("cheap stuff by sending money to ....".split(" "))
    val prediction = model.predict(posTest)
    println(prediction)

  }

  def getSparkCont():SparkContext={
    val conf = new SparkConf().setAppName("email").setMaster("local[4]")
    val sc = new SparkContext(conf)
    return sc
  }

}

spark mllib和ml類裏面的區別