Spark與Hadoop MapReduce相比，有哪些優點你知道嗎？

一提到大數據處理，相信很多人第一時間想到的是 Hadoop MapReduce。沒錯，Hadoop MapReduce 為大數據處理技術奠定了基礎。近年來，隨著 Spark 的發展，越來越多的聲音提到了 Spark。而Spark相比Hadoop MapReduce有哪些優勢?

Spark與Hadoop MapReduce在業界有兩種說法 ：

一是 Spark 將代替 Hadoop MapReduce，成為未來大數據處理發展的方向 ;

二是 Spark 將會和 Hadoop 結合，形成更大的生態圈。其實 Spark 和 Hadoop MapReduce 的重點應用場合有所不同。

相對于 Hadoop MapReduce 來說，Spark 有點“青出于藍”的感覺，Spark 是在Hadoop MapReduce 模型上發展起來的，在它的身上我們能明顯看到 MapReduce的影子，所有的 Spark 并非從頭創新，而是站在了巨人“MapReduce”的肩膀上。千秋功罪，留于日后評說，我們暫且擱下爭議，來看看相比 Hadoop MapReduce，Spark 都有哪些優勢。

Spark和Hadoop MapReduce

1、計算速度快

大數據處理首先追求的是速度。Spark 到底有多快?用官方的話說，“Spark 允許 Hadoop 集群中的應用程序在內存中以 100 倍的速度運行，即使在磁盤上運行也能快 10 倍”。可能有的讀者看到這里會大為感嘆，的確如此，在有迭代計算的領域，Spark 的計算速度遠遠超過 MapReduce，并且迭代次數越多，Spark 的優勢越明顯。這是因為 Spark 很好地利用了目前服務器內存越來越大這一優點，通過減少磁盤 I/O 來達到性能提升。它們將中間處理數據全部放到了內存中，僅在必要時才批量存入硬盤中。或許讀者會問 ：如果應用程序特別大，內存能放下多少 GB ?答曰 ：什么? GB ?目前 IBM 服務器內存已經擴展至幾 TB 了。

2、應用靈活，上手容易

知道 AMPLab 的 Lester 為什么放棄 MapReduce 嗎?因為他需要把很多精力放到Map和Reduce的編程模型上，極為不便。 Spark在簡單的Map及Reduce操作之外，還支持 SQL 查詢、流式查詢及復雜查詢，比如開箱即用的機器學習算法。同時，用戶可以在同一個工作流中無縫地搭配這些能力，應用十分靈活。歡迎加入大數據學習交流分享群： 658558542   一起吹水交流學習（?點擊即可加入群聊）

Spark 核心部分的代碼為 63 個 Scala 文件，非常的輕量級。并且允許 Java、Scala、Python 開發者在自己熟悉的語言環境下進行工作，通過建立在Java、Scala、Python、SQL(應對交互式查詢)的標準 API 以方便各行各業使用，同時還包括大量開箱即用的機器學習庫。它自帶 80 多個高等級操作符，允許在 Shell中進行交互式查詢。即使是新手，也能輕松上手應用。

3、兼容競爭對手

Spark 可以獨立運行，除了可以運行在當下的 YARN 集群管理外，還可以讀取已有的任何 Hadoop 數據。它可以運行在任何 Hadoop 數據源上，比如 HBase、HDFS 等。有了這個特性，讓那些想從 Hadoop 應用遷移到 Spark 上的用戶方便了很多。Spark 有兼容競爭對手的胸襟，何愁大事不成?

4、實時處理性能非凡

MapReduce 更 加 適 合 處 理 離 線 數 據( 當 然， 在 YARN 之 后，Hadoop也可以借助其他工具進行流式計算)。Spark 很好地支持實時的流計算，依賴Spark Streaming 對數據進行實時處理。Spark Streaming 具備功能強大的 API，允許用戶快速開發流應用程序。而且不像其他的流解決方案，比如Storm，Spark Streaming 無須額外的代碼和配置，就可以做大量的恢復和交付工作。

5、社區貢獻力量巨大

從 Spark 的版本演化來看，足以說明這個平臺旺盛的生命力及社區的活躍度。尤其自 2013 年以來，Spark 一度進入高速發展期，代碼庫提交與社區活躍度都有顯著增長。以活躍度論，Spark 在所有的 Apache 基金會開源項目中位列前三，相較于其他大數據平臺或框架而言，Spark 的代碼庫最為活躍。

Spark 非常重視社區活動，組織也極為規范，會定期或不定期地舉行與 Spark相關的會議。會議分為兩種 ：一種是 Spark Summit，影響力極大，可謂全球 Spark頂尖技術人員的峰會，目前已于 2013—2015 年在 San Francisco 連續召開了三屆Summit 大會 ;另一種是 Spark 社區不定期地在全球各地召開的小型 Meetup 活動。Spark Meetup 也會在我國的一些大城市定期召開，比如北京、深圳、西安等地，讀者可以關注當地的微信公眾號進行參與。歡迎加入大數據學習交流分享群： 658558542   一起吹水交流學習（?點擊即可加入群聊）

Spark 的適用場景

從大數據處理需求來看，大數據的業務大概可以分為以下三類 ：

(1)復雜的批量數據處理，通常的時間跨度在數十分鐘到數小時之間。

(2)基于歷史數據的交互式查詢，通常的時間跨度在數十秒到數分鐘之間。

(3)基于實時數據流的數據處理，通常的時間跨度在數百毫秒到數秒之間。

目前已有很多相對成熟的開源和商業軟件來處理以上三種情景 ：第一種業務，可以利用 MapReduce 來進行批量數據處理 ;第二種業務，可以用 Impala 來進行交互式查詢 ;對于第三種流式數據處理，可以想到專業的流數據處理工具Storm。但是這里有一個很重要的問題 ：對于大多數互聯網公司來說，一般會同時遇到以上三種情景，如果采用不同的處理技術來面對這三種情景，那么這三種情景的輸入/ 輸出數據無法無縫共享，它們之間可能需要進行格式轉換，并且每個開源軟件都需要一支開發和維護團隊，從而提高了成本。另外一個不便之處就是，在同一個集群中對各個系統協調資源分配比較困難。歡迎加入大數據學習交流分享群： 658558542   一起吹水交流學習（?點擊即可加入群聊）

那么，有沒有一種軟件可以同時處理以上三種情景呢? Spark 就可以，或者說有這樣的潛力。Spark 同時支持復雜的批處理、互操作和流計算，而且兼容支持HDFS 和 Amazon S3 等分布式文件系統，可以部署在 YARN 和 Mesos 等流行的集群資源管理器上。

從 Spark 的設計理念(基于內存的迭代計算框架)出發，其最適合有迭代運算的或者需要多次操作特定數據集的應用場合。并且迭代次數越多，讀取的數據量越大，Spark 的應用效果就越明顯。因此，對于機器學習之類的“迭代式”應用，Spark 可謂拿手好戲，要比 Hadoop MapReduce 快數十倍。另外，Spark Streaming因為內存存儲中間數據的特性，處理速度非常快，也可以應用于需要實時處理大數據的場合。

當然，Spark 也有不適用的場合。對于那種異步細粒度更新狀態的應用，例如 Web 服務的存儲或增量的 Web 爬蟲和索引，也就是對于那種增量修改的應用模型不適合。Spark 也不適合做超級大的數據量的處理，這里所說的“超級大”是相對于這個集群的內存容量而言的，因為 Spark 要將數據存儲在內存中。一般來說，10TB 以上(單次分析)的數據就可以算是“超級大”的數據了。

一般來說，對于中小企業的數據中心而言，在單次計算的數據量不大的情況下，Spark 都是很好的選擇。另外，Spark 也不適合應用于混合的云計算平臺，因為混合的云計算平臺的網絡傳輸是很大的問題，即便有專屬的寬帶在云端 Cluster和本地 Cluster 之間傳輸數據，相比內存讀取速度來說，依然不抵。

結語

感謝您的觀看，如有不足之處，歡迎批評指正。

如果有對大數據感興趣的小伙伴或者是從事大數據的老司機可以加群：

658558542    （?點擊即可加入群聊）

里面整理了一大份學習資料，全都是些干貨，包括大數據技術入門，海量數據高級分析語言，海量數據存儲分布式存儲，以及海量數據分析分布式計算等部分，送給每一位大數據小伙伴，這里不止是小白聚集地，還有大牛在線解答！歡迎初學和進階中的小伙伴一起進群學習交流，共同進步！

最后祝福所有遇到瓶頸的大數據程序員們突破自己，祝福大家在往后的工作與面試中一切順利。