更新時間：2025-05-02 09:34:02
開發經驗
2219談到大數據，相信大家對Hadoop和Apache Spark這兩個名字并不陌生。但我們往往對它們的理解只是提留在字面上，并沒有對它們進行深入的思考，下面不妨跟我一塊看下它們究竟有什么異同。
解決問題的層面不一樣
首先，Hadoop和Apache Spark兩者都是大數據框架，但是各自存在的目的不盡相同。Hadoop實質上更多是一個分布式數據基礎設施: 它將巨大的數據集分派到一個由普通計算機組成的集群中的多個節點進行存儲，意味著您不需要購買和維護昂貴的服務器硬件。
同時，Hadoop還會索引和跟蹤這些數據，讓大數據處理和分析效率達到前所未有的高度。Spark，則是那么一個專門用來對那些分布式存儲的大數據進行處理的工具，它并不會進行分布式數據的存儲。
兩者可合可分
Hadoop除了提供為大家所共識的HDFS分布式數據存儲功能之外，還提供了叫做MapReduce的數據處理功能。所以這里我們完全可以拋開Spark，使用Hadoop自身的MapReduce來完成數據的處理。
相反，Spark也不是非要依附在Hadoop身上才能生存。但如上所述，畢竟它沒有提供文件管理系統，所以，它必須和其他的分布式文件系統進行集成才能運作。這里我們可以選擇Hadoop的HDFS,也可以選擇其他的基于云的數據系統平臺。但Spark默認來說還是被用在Hadoop上面的，畢竟，大家都認為它們的結合是最好的。
以下是從網上摘錄的對MapReduce的最簡潔明了的解析:
我們要數圖書館中的所有書。你數1號書架，我數2號書架。這就是“Map”。我們人越多，數書就更快。
現在我們到一起，把所有人的統計數加在一起。這就是“Reduce”。
Spark數據處理速度秒殺MapReduce
熟悉Hadoop的人應該都知道，用戶先編寫好一個程
序，我們稱為Mapreduce程序，一個Mapreduce程序就是一個Job，而一個Job里面可以有一個或多個Task，Task又可以區分為Map Task和Reduce Task，如下圖所示：
2016510101130768.png (607×355)
而在Spark中，也有Job概念，但是這里的Job和Mapreduce中的Job不一樣，它不是作業的最高級別的粒度，在它只上還有Application的概念。
一個Application和一個SparkContext相關聯，每個Application中可以有一個或多個Job，可以并行或者串行運行Job。Spark中的一個Action可以觸發一個Job的運行。在Job里面又包含了多個Stage，Stage是以Shuffle進行劃分的。在Stage中又包含了多個Task，多個Task構成了Task Set。他們之間的關系如下圖所示：
2016510101159122.png (747×627)
Mapreduce中的每個Task分別在自己的進程中運行，當該Task運行完的時候，該進程也就結束了。和Mapreduce不一樣的是，Spark中多個Task可以運行在一個進程里面，而且這個進程的生命周期和Application一樣，即使沒有Job在運行。
這個模型有什么好處呢？可以加快Spark的運行速度！Tasks可以快速地啟動，并且處理內存中的數據。但是這個模型有的缺點就是粗粒度的資源管理，每個Application擁有固定數量的executor和固定數量的內存。
Spark因為其處理數據的方式不一樣，會比MapReduce快上很多。MapReduce是分步對數據進行處理的: ”從集群中讀取數據，進行一次處理，將結果寫到集群，從集群中讀取更新后的數據，進行下一次的處理，將結果寫到集群，等等…“ Booz Allen Hamilton的數據科學家Kirk Borne如此解析。
反觀Spark，它會在內存中以接近“實時”的時間完成所有的數據分析：“從集群中讀取數據，完成所有必須的分析處理，將結果寫回集群，完成，” Born說道。Spark的批處理速度比MapReduce快近10倍，內存中的數據分析速度則快近100倍。
如果需要處理的數據和結果需求大部分情況下是靜態的，且你也有耐心等待批處理的完成的話，MapReduce的處理方式也是完全可以接受的。
但如果你需要對流數據進行分析，比如那些來自于工廠的傳感器收集回來的數據，又或者說你的應用是需要多重數據處理的，那么你也許更應該使用Spark進行處理。
大部分機器學習算法都是需要多重數據處理的。此外，通常會用到Spark的應用場景有以下方面：實時的市場活動，在線產品推薦，網絡安全分析，機器日記監控等。
災難恢復
兩者的災難恢復方式迥異，但是都很不錯。因為Hadoop將每次處理后的數據都寫入到磁盤上，所以其天生就能很有彈性的對系統錯誤進行處理。
Spark的數據對象存儲在分布于數據集群中的叫做彈性分布式數據集(RDD: Resilient Distributed Dataset)中。“這些數據對象既可以放在內存，也可以放在磁盤，所以RDD同樣也可以提供完成的災難恢復功能，”Borne指出。
我們專注高端建站，小程序開發、軟件系統定制開發、BUG修復、物聯網開發、各類API接口對接開發等。十余年開發經驗，每一個項目承諾做到滿意為止，多一次對比，一定讓您多一份收獲！
