spark VS Hadoop 兩大大數據分析系統深度解讀

大數據，無論是從產業上，還是從技術上來看，都是目前的發展熱點。在中國，政府控制著80%的數據，剩下的多由“BAT”這樣的大公司擁有，中小企業如何構建自己的大數據系統？其他企業如何建設自己的大數據系統？

推薦兩大應用最廣泛、國人認知最多的Apache開源大數據框架系統：spark  Hadoop

Spark：速度快、易于使用
Spark以性能見長，但是它也因易用性而小有名氣，原因是它隨帶易于使用的API，支持Scala（原生語言）、Java、Python和Spark SQL。SparkSQL非常類似于SQL 92，所以幾乎不需要經歷一番學習，馬上可以上手。

Spark是UC Berkeley AMP lab所開源的類Hadoop MapReduce的通用的并行計算框架，Spark基于map reduce算法實現的分布式計算，擁有HadoopMapReduce所具有的優點；但不同于MapReduce的是Job中間輸出結果可以保存在內存中，從而不再需要讀寫HDFS，因此Spark能更好地適用于數據挖掘與機器學習等需要迭代的map reduce的算法。

Spark還有一種交互模式，那樣開發人員和用戶都可以獲得查詢和其他操作的即時反饋。MapReduce沒有交互模式，不過有了Hive和Pig等附加模塊，采用者使用MapReduce來得容易一點。

成本上來看：Spark需要大量內存，但是可以使用常規數量的常規轉速磁盤。一些用戶抱怨會產生臨時文件，需要清理。這些臨時文件通常保存7天，以便加快針對同一數據集的任何處理。磁盤空間相對便宜，由于Spark不使用磁盤輸入/輸入用于處理，已使用的磁盤空間可以用于SAN或NAS。

容錯上：Spark使用彈性分布式數據集（RDD），它們是容錯集合，里面的數據元素可執行并行操作。RDD可以引用外部存儲系統中的數據集，比如共享式文件系統、HDFS、HBase，或者提供Hadoop InputFormat的任何數據源。Spark可以用Hadoop支持的任何存儲源創建RDD，包括本地文件系統，或前面所列的其中一種文件系統。

Hadoop：分布式文件系統

Hadoop是Apache.org的一個項目，其實是一種軟件庫和框架，以便使用簡單的編程模型，跨計算器集群對龐大數據集（大數據）進行分布式處理。Hadoop可靈活擴展，從單一計算機系統，到提供本地存儲和計算能力的數千個商用系統，它都能輕松支持。實際上，Hadoop就是大數據分析領域的重量級大數據平臺。

Hadoop由協同運行、構建Hadoop框架的多個模塊組成。Hadoop框架的主要模塊包括如下：

HadoopCommon

Hadoop分布式文件系統（HDFS）

HadoopYARN

HadoopMapReduce

雖然上述四個模塊構成了Hadoop的核心，不過還有其他幾個模塊。這些模塊包括：Ambari、Avro、Cassandra、Hive、Pig、Oozie、Flume和Sqoop，它們進一步增強和擴展了Hadoop的功能，得以擴大到大數據應用領域，處理龐大數據集。

許多使用大數據集和分析工具的公司使用Hadoop。它已成為大數據應用系統中事實上的標準。設計Hadoop的初衷是處理這項任務：搜尋和搜索數十億個網頁，將這些信息收集到數據庫中。正是由于渴望搜尋和搜索互聯網，才有了Hadoop的HDFS及分布式處理引擎MapReduce。

成本上：MapReduce使用常規數量的內存，因為數據處理基于磁盤，所以公司得購買速度更快的磁盤和大量磁盤空間來運行MapReduce。MapReduce還需要更多的系統，將磁盤輸入/輸出分布到多個系統上。

容錯上：MapReduce使用TaskTracker節點，它為JobTracker節點提供了心跳（heartbeat）。如果沒有心跳，那么JobTracker節點重新調度所有將執行的操作和正在進行的操作，交給另一個TaskTracker節點。這種方法在提供容錯性方面很有效，可是會大大延長某些操作（即便只有一個故障）的完成時間。

總結：Spark與MapReduce是一種相互共生的關系。Hadoop提供了Spark所沒有的功能特性，比如分布式文件系統，而Spark為需要它的那些數據集提供了實時內存處理。完美的大數據場景正是設計人員當初預想的那樣：讓Hadoop和Spark在同一個團隊里面協同運行。

作者：張景龍  暢移（上海）信息科技有限公司CTO，CCFYOCSEF上海委員，京東今夜酒店特價app技術奠基人和首任CTO，中國第一代智能手機開發者。