Spark与Hadoop对比

Hadoop与Spark两者都是大数据计算框架，但是两者各自都有自己的优势，关于Spark与Hadoop的对比，主要有以下几点：

1． 编程方式

Hadoop的MapReduce在计算数据时，计算过程必须要转化为Map和Reduce两个过程，从而难以描述复杂的数据处理过程；而Spark的计算模型不局限于Map和Reduce操作，还提供了多种数据集的操作类型，编程模型比MapReduce更加灵活。

2． 数据存储

Hadoop的MapReduce进行计算时，每次产生的中间结果都是存储在本地磁盘中；而Spark在计算时产生的中间结果存储在内存中。

3． 数据处理

Hadoop在每次执行数据处理时，都需要从磁盘中加载数据，导致磁盘的IO开销较大；而Spark在执行数据处理时，只需要将数据加载到内存中，之后直接在内存中加载中间结果数据集即可，减少了磁盘的IO开销。

4． 数据容错

MapReduce计算的中间结果数据，保存在磁盘中，并且Hadoop框架底层实现了备份机制，从而保证了数据容错；同样Spark RDD实现了基于Lineage的容错机制和设置检查点两种方式的容错机制，弥补数据在内存处理时断电数据丢失的问题。关于Spark容错机制我们在第三章Spark RDD弹性分布式数据集中将会详细讲解。

在Spark与Hadoop性能对比中，较为明显的缺陷是Hadoop 中的MapReduce计算延迟较高，无法胜任当下爆发式的数据增长所要求的实时、快速计算的需求。接下来，我们通过图1来详细讲解这一原因。

图1 Hadoop与Spark执行流程

从图1中可以看出，使用Hadoop MapReduce进行计算时，每次计算产生的中间结果都需要从磁盘中读取并写入，大大增加了磁盘的IO开销，而使用Spark进行计算时，需要先将磁盘中的数据读取到内存中，产生的数据不再写入磁盘，直接在内存中迭代处理，这样就避免了从磁盘中频繁读取数据造成不必要的开销。通过官方计算测试，Hadoop与Spark在执行逻辑斯蒂回归时所需的时间对比，如图2所示。

图2 Hadoop与Spark执行逻辑回归时间对比

从图2可以看出，Hadoop与Spark执行所需时间相差超过100倍。