Spark與Hadoop有哪些區(qū)別？【大數(shù)據(jù)培訓(xùn)】

更新時(shí)間:2020年04月24日15時(shí)48分來(lái)源:傳智播客瀏覽次數(shù):

Hadoop與Spark都是大數(shù)據(jù)計(jì)算框架，但是兩者各有自己的優(yōu)勢(shì)，Spark與Hadoop的區(qū)別主要有以下幾點(diǎn)。

1、編程方式
Hadoop的MapReduce在計(jì)算數(shù)據(jù)時(shí)，計(jì)算過(guò)程必須要轉(zhuǎn)化為Map和Reduce兩個(gè)過(guò)程，從而難以描述復(fù)雜的數(shù)據(jù)處理過(guò)程；而Spark的計(jì)算模型不局限于Map和Reduce操作，還提供了多種數(shù)據(jù)集的操作類型，編程模型比MapReduce更加靈活。

2、數(shù)據(jù)存儲(chǔ)
Hadoop的 MapReduce進(jìn)行計(jì)算時(shí)，每次產(chǎn)生的中間結(jié)果都是存儲(chǔ)在本地磁盤中；而
Spark在計(jì)算時(shí)產(chǎn)生的中間結(jié)果存儲(chǔ)在內(nèi)存中。

3、數(shù)據(jù)處理
Hadoop在每次執(zhí)行數(shù)據(jù)處理時(shí)，都需要從磁盤中加載數(shù)據(jù)，導(dǎo)致磁盤的I/O開銷較大；而Spark在執(zhí)行數(shù)據(jù)處理時(shí)，只需要將數(shù)據(jù)加載到內(nèi)存中，之后直接在內(nèi)存中加載中間結(jié)果數(shù)據(jù)集即可，減少了磁盤的1O開銷。

4、數(shù)據(jù)容錯(cuò)
MapReduce計(jì)算的中間結(jié)果數(shù)據(jù)保存在磁盤中，并且 Hadoop框架底層實(shí)現(xiàn)了備份機(jī)制，從而保證了數(shù)據(jù)容錯(cuò)；同樣 Spark RDD實(shí)現(xiàn)了基于 Lineage的容錯(cuò)機(jī)制和設(shè)置檢查點(diǎn)的容錯(cuò)機(jī)制，彌補(bǔ)了數(shù)據(jù)在內(nèi)存處理時(shí)斷電丟失的問(wèn)題。
在Spark與Hadoop的性能對(duì)比中，較為明顯的缺陷是Hadoop中的MapReduce計(jì)算延遲較高，無(wú)法勝任當(dāng)下爆發(fā)式的數(shù)據(jù)增長(zhǎng)所要求的實(shí)時(shí)、快速計(jì)算的需求。

從上圖可以看出，使用Hadoop MapReduce進(jìn)行計(jì)算時(shí)，每次計(jì)算產(chǎn)生的中間結(jié)果都需要從磁盤中讀取并寫入，大大增加了磁盤的I/O開銷，而使用Spark進(jìn)行計(jì)算時(shí)，需要先將磁盤中的數(shù)據(jù)讀取到內(nèi)存中，產(chǎn)生的數(shù)據(jù)不再寫入磁盤，直接在內(nèi)存中迭代處理，這樣就避免了從磁盤中頻繁讀取數(shù)據(jù)造成的不必要開銷。通過(guò)官方計(jì)算測(cè)試，Hadoop與Spark執(zhí)行邏輯回歸所需的時(shí)間對(duì)比，如圖所示。