對于任何一個進入大數(shù)據(jù)世界的人來講，大數(shù)據(jù)和Hadoop 就成了同義詞。隨著人們學(xué)習(xí)了大數(shù)據(jù)生態(tài)系統(tǒng)及其工具和運作原理，他們更能理解大數(shù)據(jù)的實際意義以及Hadoop 在生態(tài)系統(tǒng)中所扮演的角色。

[[209697]]

維基百科對大數(shù)據(jù)這樣解釋：大數(shù)據(jù)是一個寬泛的術(shù)語，它指傳統(tǒng)數(shù)據(jù)處理應(yīng)用程序無法處理的巨大而復(fù)雜的數(shù)據(jù)集。

簡單來講，隨著數(shù)據(jù)量的增加，采用常規(guī)處理方法需要花費大量時間且價格不菲。

Doug Cutting受谷歌GFS及MapReduce白皮書的啟發(fā)，在 2005年創(chuàng)辦了Hadoop 。Hadoop 采用開源軟件框架對超大數(shù)據(jù)集進行分布式存儲技術(shù)及分布式處理。換句話說，設(shè)計這一產(chǎn)品的目的在于縮減處理大數(shù)據(jù)集的時間和成本。

Hadoop，其分布式文件系統(tǒng)(HDFS)和分布式處理模塊(MapReduce)成為大數(shù)據(jù)計算的實際標(biāo)準(zhǔn)。Hadoop 這一術(shù)語不僅可以與基礎(chǔ)模塊相關(guān)，也與可兼容Hadoop的其他軟件包生態(tài)系統(tǒng)息息相關(guān)。

隨著時間的推移，生成的數(shù)據(jù)量猛增，處理大量數(shù)據(jù)的需求也隨之猛增。這最終使大數(shù)據(jù)計算需要滿足各種不同需求，而這些需求并非都可以全部由Hadoop 完成。

大多數(shù)數(shù)據(jù)分析本質(zhì)上是迭代處理。盡管迭代處理可以由MapReduce完成，但數(shù)據(jù)讀取應(yīng)該在每次迭代中進行。通常情況下，這并沒有問題。但如果讀取100GB的數(shù)據(jù)或幾個TB的數(shù)據(jù)時，就會費時，而人們會不耐煩

許多人認(rèn)為數(shù)據(jù)分析是一門藝術(shù)而非一門科學(xué)。在任何藝術(shù)領(lǐng)域，藝術(shù)家創(chuàng)造一小塊部分拼圖，又將小拼圖將放到更大的拼圖上，見證它的生長?？梢源致缘姆g為：數(shù)據(jù)分析師想在下一個處理開始之前得到前一個處理的結(jié)果。換句話說，許多數(shù)據(jù)分析學(xué)在本質(zhì)上都是交互式的。在傳統(tǒng)意義上，交互式分析習(xí)慣上受結(jié)構(gòu)化查詢語言(SQL)的影響。分析師在數(shù)據(jù)庫中撰寫可在數(shù)據(jù)中運行的查詢條件。盡管Hadoop 也有同類產(chǎn)品(Hive和Pig)，這原本也耗時，因為每個查詢條件需要大量時間處理數(shù)據(jù)。

這些障礙促使了Spark的誕生，這種新型處理模塊能促進迭代編程和交互式分析。Spark裝備了一個將數(shù)據(jù)載入存儲器并反復(fù)查詢的內(nèi)存原始模型。這使Spark非常適合大量數(shù)據(jù)分析及機器學(xué)習(xí)算法。

注意，Spark僅僅規(guī)定了分布式處理模塊。存儲數(shù)據(jù)部分仍然依賴Hadoop(分布式文件系統(tǒng)HDFS)采用分布存儲方式高效存儲數(shù)據(jù)，而不由Spark完成

Spark 將大數(shù)據(jù)生態(tài)系統(tǒng)設(shè)置在超光速磁盤上，確保比MapReduce快10-100倍。許多人認(rèn)為這可能是MapReduce的終結(jié)。

操作簡單

相比MapReduce來講，Spark操作簡單，甚至可以說非常便捷。即使對于一個簡單邏輯或算法，MapReduce也需要100行代碼;但使用Spark，一個簡單邏輯，幾行代碼就可以完成。這就引出了一個關(guān)鍵因素，叫做用途廣泛。許多對于MapReduce來講不可能完成的機器學(xué)習(xí)或圖表問題的高級算法，都可以由Spark完成。這讓Spark的采用率相當(dāng)高。

MapReduce沒有交互模塊。盡管Hive和Pig包含命令行接口，這些系統(tǒng)的性能仍然依賴MapReduce。MapReduce對于批處理仍然十分受用。

Spark 在內(nèi)存中處理數(shù)據(jù)，而MapReduce卻將處理后的數(shù)據(jù)傳送回磁盤。所以Spark將優(yōu)于MapReduce。

在2014年，Spark晉級Daytona GraySort測試并拔得頭籌。對于門外漢來說，DaytonaGraySort是測試系統(tǒng)檢索100TB(一萬億條記錄)數(shù)據(jù)速度的第三方評判基準(zhǔn)。

Spark使用206個AWS EC2 設(shè)備，在23分鐘內(nèi)將100TB的數(shù)據(jù)存儲到磁盤上。此前的***記錄保持者是MapReduce，它使用了2100臺設(shè)備，總共花費了72分鐘。Spark在相同的條件下卻比MapReduce快了3倍，使用的設(shè)備總數(shù)也少了10倍。

Spark占用大量內(nèi)存。如果我們運行Spark的同時運行其他占用內(nèi)存的服務(wù)，其性能可能大打折扣。但是，我們可以有把握地說，Spark在迭代處理方面占上風(fēng)(需要多次傳遞同一數(shù)據(jù))。

成本

這兩者在計算能力、磁盤和網(wǎng)絡(luò)環(huán)境方面的硬件要求都十分相似。內(nèi)存越大，Spark表現(xiàn)越好。這兩者都使用商品服務(wù)器。

MapReduce編程費力，市場上這方面的專家并不多。即便有為數(shù)不多的Spark專家，但這也僅僅是因為Spark是初創(chuàng)產(chǎn)品。所以學(xué)習(xí)Spark編程比MapReduce要容易的多。

脫離了Hadoop 的Spark

運行Spark其實并不需要Hadoop的支持。如果我們沒有從分布式文件系統(tǒng)(HDFS)中讀取數(shù)據(jù)，Spark也可以自行運行。Spark也可以從諸如S3, Cassandra等其他存儲中讀寫數(shù)據(jù)。在這種架構(gòu)下，Spark可在獨立模式下運行，并不需要Hadoop 組件的支持。

產(chǎn)品使用

近期研究表明在產(chǎn)品中使用Spark的用戶激增。許多用戶同時運行Spark和Cassandra, 或者Spark和Hadoop ，又或者在Apche Mesos上運行Spark. 盡管Spark用戶數(shù)量有所增長，但并沒有在大數(shù)據(jù)社區(qū)造成恐慌。MapReduce使用率可能會下降，但具體降幅未知。

許多人預(yù)測Spark會促使另一種更優(yōu)質(zhì)堆棧的發(fā)展。但這種新型堆棧可能會與Hadoop 及其軟件包生態(tài)系統(tǒng)非常相似。

Spark的***優(yōu)點是簡潔。但它并不會徹底消滅MapReduce，因為使用MapReduce依然大有人在。即便Spark成為大贏家，除非研發(fā)新分布式文件系統(tǒng)，我們將同時使用Hadoop 和Spark處理數(shù)據(jù)。