談到大資料，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兩者都是大資料框架，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資料基礎設施: 它將巨大的資料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盤，意味著您不需要購買和維護昂貴的服務器硬體。
同時，Hadoop還會索引和跟蹤這些資料，讓大資料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盤的大資料進行處理的工具，它并不會進行分布式資料的存盤。
兩者可合可分
Hadoop除了提供為大家所共識的HDFS分布式資料存盤功能之外，還提供了叫做MapReduce的資料處理功能。所以這里我們完全可以拋開Spark，使用Hadoop自身的MapReduce來完成資料的處理。
以下是從網上摘錄的對MapReduce的最簡潔明了的決議:
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”。
相反，Spark也不是非要依附在Hadoop身上才能生存。但如上所述，畢竟它沒有提供檔案管理系統，所以，它必須和其他的分布式檔案系統進行集 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資料系統平臺。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。
Spark資料處理速度秒殺MapReduce
Spark因為其處理資料的方式不一樣，會比MapReduce快上很多。MapReduce是分步對資料進行處理的: ”從集群中讀取資料，進行一次處理，將結果寫到集群，從集群中讀取更新后的資料，進行下一次的處理，將結果寫到集群，等等…“ Booz Allen Hamilton的資料科學家Kirk Borne如此決議。
反觀Spark，它會在記憶體中以接近“實時”的時間完成所有的資料分析：“從集群中讀取資料，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，記憶體中的資料分析速度則快近100倍。
如果需要處理的資料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。
但如果你需要對流資料進行分析，比如那些來自于工廠的傳感器收集回來的資料，又或者說你的應用是需要多重資料處理的，那么你也許更應該使用Spark進行處理。
大部分機器學習演算法都是需要多重資料處理的。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，網路安全分析，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將每次處理后的資料都寫入到磁盤上，所以其天生就能很有彈性的對系統錯誤進行處理。
Spark的資料物件存盤在分布于資料集群中的叫做彈性分布式資料集(RDD: Resilient Distributed Dataset)中。“這些資料物件既可以放在記憶體，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。
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/62957.html
標籤：Spark