談到大數(shù)據(jù)，相信大家對hadoop和Apache Spark這兩個名字并不陌生。然而，最近業(yè)界有一些人正在大張旗鼓的宣揚Hadoop將死，Spark將立。他們究竟是危言聳聽?嘩眾取寵?還是眼光獨到堪破未來呢?與Hadoop相比，Spark技術如何?現(xiàn)工業(yè)界大數(shù)據(jù)技術都在使用何種技術?如果現(xiàn)在想要參加大數(shù)據(jù)培訓的話，應該從哪一種開始呢?

　　(1)先說二者之間的區(qū)別吧。

　　首先，Hadoop與Spark解決問題的層面不同。

　　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實質上更多是一個分布式數(shù)據(jù)基礎設施: 它將巨大的數(shù)據(jù)集分派到一個由普通計算機組成的集群中的多個節(jié)點進行存儲，意味著您不需要購買和維護昂貴的服務器硬件。

　　同時，Hadoop還會索引和跟蹤這些數(shù)據(jù)，讓大數(shù)據(jù)處理和分析效率達到前所未有的高度。Spark，則是那么一個專門用來對那些分布式存儲的大數(shù)據(jù)進行處理的工具，它并不會進行分布式數(shù)據(jù)的存儲。

　　其次，還有一點也值得注意——這兩者的災難恢復方式迥異。因為Hadoop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系統(tǒng)錯誤進行處理。

　　Spark的數(shù)據(jù)對象存儲在分布于數(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)對象既可以放在內存，也可以放在磁盤，所以RDD同樣也可以提供完成的災難恢復功能。

　　由于兩者的側重點不同，使用場景不同，大講臺老師認為其實并沒有替代之說。Spark更適合于迭代運算比較多的ML和DM運算。因為在Spark里面，有RDD的概念。RDD可以cache到內存中，那么每次對RDD數(shù)據(jù)集的操作之后的結果，都可以存放到內存中，下一個操作可以直接從內存中輸入，省去了MapReduce大量的磁盤IO操作。但是，我們也要看到spark的限制：內存。我認為 Hadoop雖然費時，但是在OLAP等大規(guī)模數(shù)據(jù)的應用場景，還是受歡迎的。目前Hadoop涵蓋了從數(shù)據(jù)收集、到分布式存儲，再到分布式計算的各個領域，在各領域都有自己獨特優(yōu)勢。

　　(2)為什么有這么多人不看好Hadoop，力捧Spark呢?

　　很多人在談到Spark代替Hadoop的時候，其實很大程度上指的是代替MapReduce。

　　MapReduce的缺陷很多，最大的缺陷之一是Map + Reduce的模型。這個模型并不適合描述復雜的數(shù)據(jù)處理過程。很多公司把各種奇怪的Machine Learning計算用MR模型描述，不斷挖掘MR潛力，對系統(tǒng)工程師和Ops也是極大挑戰(zhàn)了。很多計算，本質上并不是一個Map，Shuffle再Reduce的結構，比如我編譯一個SubQuery的SQL，每個Query都做一次Group By，我可能需要Map，Reduce+Reduce，中間不希望有無用的Map;又或者我需要Join，這對MapReduce來說簡直是噩夢，什么給左右表加標簽，小表用Distributed Cache分發(fā)，各種不同Join的Hack，都是因為MapReduce本身是不直接支持Join的，其實我需要的是，兩組不同的計算節(jié)點掃描了數(shù)據(jù)之后按照Key分發(fā)數(shù)據(jù)到下一個階段再計算，就這么簡單的規(guī)則而已;再或者我要表示一組復雜的數(shù)據(jù)Pipeline，數(shù)據(jù)在一個無數(shù)節(jié)點組成的圖上流動，而因為MapReduce的呆板模型，我必須一次一次在一個Map/Reduce步驟完成之后不必要地把數(shù)據(jù)寫到磁盤上再讀出，才能繼續(xù)下一個節(jié)點，因為Map Reduce2個階段完成之后，就算是一個獨立計算步驟完成，必定會寫到磁盤上等待下一個Map Reduce計算。

　　上面這些問題，算是每個號稱下一代平臺都嘗試解決的?，F(xiàn)在號稱次世代平臺現(xiàn)在做的相對有前景的是Hortonworks的Tez和Databricks的Spark。他們都嘗試解決了上面說的那些問題。Tez和Spark都可以很自由地描述一個Job里執(zhí)行流。他們相對現(xiàn)在的MapReduce模型來說，極大的提升了對各種復雜處理的直接支持，不需要再絞盡腦汁“挖掘”MR模型的潛力。綜上，Spark數(shù)據(jù)處理速度秒殺MapReduce因為其處理數(shù)據(jù)的方式不一樣，會比MapReduce快上很多。

　　(3)可以判Hadoop“死刑”嗎?

　　目前備受追捧的Spark還有很多缺陷，比如：

　　穩(wěn)定性方面，由于代碼質量問題，Spark長時間運行會經常出錯，在架構方面，由于大量數(shù)據(jù)被緩存在RAM中，Java回收垃圾緩慢的情況嚴重，導致Spark性能不穩(wěn)定，在復雜場景中SQL的性能甚至不如現(xiàn)有的Map/Reduce。

　　不能處理大數(shù)據(jù)，單獨機器處理數(shù)據(jù)過大，或者由于數(shù)據(jù)出現(xiàn)問題導致中間結果超過RAM的大小時，常常出現(xiàn)RAM空間不足或無法得出結果。然而，Map/Reduce運算框架可以處理大數(shù)據(jù)，在這方面，Spark不如Map/Reduce運算框架有效。

　　不能支持復雜的SQL統(tǒng)計;目前Spark支持的SQL語法完整程度還不能應用在復雜數(shù)據(jù)分析中。在可管理性方面，SparkYARN的結合不完善，這就為使用過程中埋下隱憂，容易出現(xiàn)各種難題。

　　大講臺老師并不想說Spark和Hadoop誰強誰弱，而是想告訴大家——在比較Hadoop和Spark方面要記住的最重要一點就是，它們并不是非此即彼的關系，因為它們不是相互排斥，也不是說一方是另一方的簡易替代者。兩者彼此兼容，這使得這對組合成為一種功能極其強大的解決方案，適合諸多大數(shù)據(jù)應用場合。

　　也就是說，大數(shù)據(jù)行業(yè)的老鳥們如果只會Hadoop就要當心了，擠出時間來學習Spark和其他新技術是絕對必要的;而對于目前正準備嘗試大數(shù)據(jù)培訓的朋友們，從Hadoop開始仍然是最好的選擇。長遠來看新技術總會不斷出現(xiàn)，不管是Spark還是Tez似乎都有著更美妙的大數(shù)據(jù)前景，然而沒有人會勸你完全拋開Hadoop。