談到大數(shù)據(jù)，相信大家對(duì)Hadoop和Apache Spark這兩個(gè)名字并不陌生。但我們往往對(duì)它們的理解只是提留在字面上，并沒(méi)有對(duì)它們進(jìn)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(wèn)題的層面不一樣
首先，Hadoop和Apache Spark兩者都是大數(shù)據(jù)框架，但是各自存在的目的不盡相同。Hadoop實(shí)質(zhì)上更多是一個(gè)分布式數(shù)據(jù)基礎(chǔ)設(shè)施: 它將巨大的數(shù)據(jù)集分派到一個(gè)由普通計(jì)算機(jī)組成的集群中的多個(gè)節(jié)點(diǎn)進(jìn)行存儲(chǔ)，意味著您不需要購(gòu)買和維護(hù)昂貴的服務(wù)器硬件。
同時(shí)，Hadoop還會(huì)索引和跟蹤這些數(shù)據(jù)，讓大數(shù)據(jù)處理和分析效率達(dá)到前所未有的高度。Spark，則是那么一個(gè)專門用來(lái)對(duì)那些分布式存儲(chǔ)的大數(shù)據(jù)進(jìn)行處理的工具，它并不會(huì)進(jìn)行分布式數(shù)據(jù)的存儲(chǔ)。
兩者可合可分
Hadoop除了提供為大家所共識(shí)的HDFS分布式數(shù)據(jù)存儲(chǔ)功能之外，還提供了叫做MapReduce的數(shù)據(jù)處理功能。所以這里我們完全可以拋開(kāi)Spark，使用Hadoop自身的MapReduce來(lái)完成數(shù)據(jù)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(méi)有提供文件管理系統(tǒng)，所以，它必須和其他的分布式文件系統(tǒng)進(jìn)行集成才能運(yùn)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(shù)據(jù)系統(tǒng)平臺(tái)。但Spark默認(rèn)來(lái)說(shuō)還是被用在Hadoop上面的，畢竟，大家都認(rèn)為它們的結(jié)合是最好的。
以下是從網(wǎng)上摘錄的對(duì)MapReduce的最簡(jiǎn)潔明了的解析:
我們要數(shù)圖書館中的所有書。你數(shù)1號(hào)書架，我數(shù)2號(hào)書架。這就是“Map”。我們?nèi)嗽蕉啵瑪?shù)書就更快。
現(xiàn)在我們到一起，把所有人的統(tǒng)計(jì)數(shù)加在一起。這就是“Reduce”。
Spark數(shù)據(jù)處理速度秒殺MapReduce
熟悉Hadoop的人應(yīng)該都知道，用戶先編寫好一個(gè)程序，我們稱為Mapreduce程序，一個(gè)Mapreduce程序就是一個(gè)Job，而一個(gè)Job里面可以有一個(gè)或多個(gè)Task，Task又可以區(qū)分為Map Task和Reduce Task，如下圖所示：
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(yè)的最高級(jí)別的粒度，在它只上還有Application的概念。
一個(gè)Application和一個(gè)SparkContext相關(guān)聯(lián)，每個(gè)Application中可以有一個(gè)或多個(gè)Job，可以并行或者串行運(yùn)行Job。Spark中的一個(gè)Action可以觸發(fā)一個(gè)Job的運(yùn)行。在Job里面又包含了多個(gè)Stage，Stage是以Shuffle進(jìn)行劃分的。在Stage中又包含了多個(gè)Task，多個(gè)Task構(gòu)成了Task Set。他們之間的關(guān)系如下圖所示：
Mapreduce中的每個(gè)Task分別在自己的進(jìn)程中運(yùn)行，當(dāng)該Task運(yùn)行完的時(shí)候，該進(jìn)程也就結(jié)束了。和Mapreduce不一樣的是，Spark中多個(gè)Task可以運(yùn)行在一個(gè)進(jìn)程里面，而且這個(gè)進(jìn)程的生命周期和Application一樣，即使沒(méi)有Job在運(yùn)行。
這個(gè)模型有什么好處呢？可以加快Spark的運(yùn)行速度！Tasks可以快速地啟動(dòng)，并且處理內(nèi)存中的數(shù)據(jù)。但是這個(gè)模型有的缺點(diǎn)就是粗粒度的資源管理，每個(gè)Application擁有固定數(shù)量的executor和固定數(shù)量的內(nèi)存。
Spark因?yàn)槠涮幚頂?shù)據(jù)的方式不一樣，會(huì)比MapReduce快上很多。MapReduce是分步對(duì)數(shù)據(jù)進(jìn)行處理的: ”從集群中讀取數(shù)據(jù)，進(jìn)行一次處理，將結(jié)果寫到集群，從集群中讀取更新后的數(shù)據(jù)，進(jìn)行下一次的處理，將結(jié)果寫到集群，等等…“ Booz Allen Hamilton的數(shù)據(jù)科學(xué)家Kirk Borne如此解析。
反觀Spark，它會(huì)在內(nèi)存中以接近“實(shí)時(shí)”的時(shí)間完成所有的數(shù)據(jù)分析：“從集群中讀取數(shù)據(jù)，完成所有必須的分析處理，將結(jié)果寫回集群，完成，” Born說(shuō)道。Spark的批處理速度比MapReduce快近10倍，內(nèi)存中的數(shù)據(jù)分析速度則快近100倍。
如果需要處理的數(shù)據(jù)和結(jié)果需求大部分情況下是靜態(tài)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(duì)流數(shù)據(jù)進(jìn)行分析，比如那些來(lái)自于工廠的傳感器收集回來(lái)的數(shù)據(jù)，又或者說(shuō)你的應(yīng)用是需要多重?cái)?shù)據(jù)處理的，那么你也許更應(yīng)該使用Spark進(jìn)行處理。
大部分機(jī)器學(xué)習(xí)算法都是需要多重?cái)?shù)據(jù)處理的。此外，通常會(huì)用到Spark的應(yīng)用場(chǎng)景有以下方面：實(shí)時(shí)的市場(chǎng)活動(dòng)，在線產(chǎn)品推薦，網(wǎng)絡(luò)安全分析，機(jī)器日記監(jiān)控等。
災(zāi)難恢復(fù)
兩者的災(zāi)難恢復(fù)方式迥異，但是都很不錯(cuò)。因?yàn)镠adoop將每次處理后的數(shù)據(jù)都寫入到磁盤上，所以其天生就能很有彈性的對(duì)系統(tǒng)錯(cuò)誤進(jìn)行處理。
Spark的數(shù)據(jù)對(duì)象存儲(chǔ)在分布于數(shù)據(jù)集群中的叫做彈性分布式數(shù)據(jù)集(RDD: Resilient Distributed Dataset)中。“這些數(shù)據(jù)對(duì)象既可以放在內(nèi)存，也可以放在磁盤，所以RDD同樣也可以提供完成的災(zāi)難恢復(fù)功能，”Borne指出。
