[[175089]]

一提到大數據處理，相信很多人***時間想到的是 Hadoop MapReduce。沒錯，Hadoop MapReduce 為大數據處理技術奠定了基礎。近年來，隨著 Spark 的發展，越來越多的聲音提到了 Spark。而Spark相比Hadoop MapReduce有哪些優勢?

Spark與Hadoop MapReduce在業界有兩種說法 ：一是 Spark 將代替 Hadoop MapReduce，成為未來大數據處理發展的方向 ;二是 Spark 將會和 Hadoop 結合，形成更大的生態圈。其實 Spark 和 Hadoop MapReduce 的重點應用場合有所不同。相對于 Hadoop MapReduce 來說，Spark 有點“青出于藍”的感覺，Spark 是在Hadoop MapReduce 模型上發展起來的，在它的身上我們能明顯看到 MapReduce的影子，所有的 Spark 并非從頭創新，而是站在了巨人“MapReduce”的肩膀上。千秋功罪，留于日后評說，我們暫且擱下爭議，來看看相比 Hadoop MapReduce，Spark 都有哪些優勢。

1、計算速度快

大數據處理首先追求的是速度。Spark 到底有多快?用官方的話說，“Spark 允許 Hadoop 集群中的應用程序在內存中以 100 倍的速度運行，即使在磁盤上運行也能快 10 倍”。可能有的讀者看到這里會大為感嘆，的確如此，在有迭代計算的領域，Spark 的計算速度遠遠超過 MapReduce，并且迭代次數越多，Spark 的優勢越明顯。這是因為 Spark 很好地利用了目前服務器內存越來越大這一優點，通過減少磁盤 I/O 來達到性能提升。它們將中間處理數據全部放到了內存中，僅在必要時才批量存入硬盤中。或許讀者會問 ：如果應用程序特別大，內存能放下多少 GB ?答曰 ：什么? GB ?目前 IBM 服務器內存已經擴展至幾 TB 了。

2、應用靈活，上手容易

知道 AMPLab 的 Lester 為什么放棄 MapReduce 嗎?因為他需要把很多精力放到Map和Reduce的編程模型上，極為不便。 Spark在簡單的Map及Reduce操作之外，還支持 SQL 查詢、流式查詢及復雜查詢，比如開箱即用的機器學習算法。同時，用戶可以在同一個工作流中無縫地搭配這些能力，應用十分靈活。

Spark 核心部分的代碼為 63 個 Scala 文件，非常的輕量級。并且允許 Java、Scala、Python 開發者在自己熟悉的語言環境下進行工作，通過建立在Java、Scala、Python、SQL(應對交互式查詢)的標準 API 以方便各行各業使用，同時還包括大量開箱即用的機器學習庫。它自帶 80 多個高等級操作符，允許在 Shell中進行交互式查詢。即使是新手，也能輕松上手應用。

3、兼容競爭對手

Spark 可以獨立運行，除了可以運行在當下的 YARN 集群管理外，還可以讀取已有的任何 Hadoop 數據。它可以運行在任何 Hadoop 數據源上，比如 HBase、HDFS 等。有了這個特性，讓那些想從 Hadoop 應用遷移到 Spark 上的用戶方便了很多。Spark 有兼容競爭對手的胸襟，何愁大事不成?

4、實時處理性能非凡

MapReduce 更 加 適 合 處 理 離 線 數 據( 當 然， 在 YARN 之 后，Hadoop也可以借助其他工具進行流式計算)。Spark 很好地支持實時的流計算，依賴Spark Streaming 對數據進行實時處理。Spark Streaming 具備功能強大的 API，允許用戶快速開發流應用程序。而且不像其他的流解決方案，比如Storm，Spark Streaming 無須額外的代碼和配置，就可以做大量的恢復和交付工作。

5、社區貢獻力量巨大

從 Spark 的版本演化來看，足以說明這個平臺旺盛的生命力及社區的活躍度。尤其自 2013 年以來，Spark 一度進入高速發展期，代碼庫提交與社區活躍度都有顯著增長。以活躍度論，Spark 在所有的 Apache 基金會開源項目中位列前三，相較于其他大數據平臺或框架而言，Spark 的代碼庫最為活躍。

Spark 非常重視社區活動，組織也極為規范，會定期或不定期地舉行與 Spark相關的會議。會議分為兩種 ：一種是 Spark Summit，影響力極大，可謂全球 Spark***技術人員的峰會，目前已于 2013—2015 年在 San Francisco 連續召開了三屆Summit 大會 ;另一種是 Spark 社區不定期地在全球各地召開的小型 Meetup 活動。Spark Meetup 也會在我國的一些大城市定期召開，比如北京、深圳、西安等地，讀者可以關注當地的微信公眾號進行參與。

Spark 的適用場景

從大數據處理需求來看，大數據的業務大概可以分為以下三類 ：

(1)復雜的批量數據處理，通常的時間跨度在數十分鐘到數小時之間。

(2)基于歷史數據的交互式查詢，通常的時間跨度在數十秒到數分鐘之間。

(3)基于實時數據流的數據處理，通常的時間跨度在數百毫秒到數秒之間。

目前已有很多相對成熟的開源和商業軟件來處理以上三種情景 ：***種業務，可以利用 MapReduce 來進行批量數據處理 ;第二種業務，可以用 Impala 來進行交互式查詢 ;對于第三種流式數據處理，可以想到專業的流數據處理工具Storm。但是這里有一個很重要的問題 ：對于大多數互聯網公司來說，一般會同時遇到以上三種情景，如果采用不同的處理技術來面對這三種情景，那么這三種情景的輸入/ 輸出數據無法無縫共享，它們之間可能需要進行格式轉換，并且每個開源軟件都需要一支開發和維護團隊，從而提高了成本。另外一個不便之處就是，在同一個集群中對各個系統協調資源分配比較困難。

那么，有沒有一種軟件可以同時處理以上三種情景呢? Spark 就可以，或者說有這樣的潛力。Spark 同時支持復雜的批處理、互操作和流計算，而且兼容支持HDFS 和 Amazon S3 等分布式文件系統，可以部署在 YARN 和 Mesos 等流行的集群資源管理器上。

從 Spark 的設計理念(基于內存的迭代計算框架)出發，其最適合有迭代運算的或者需要多次操作特定數據集的應用場合。并且迭代次數越多，讀取的數據量越大，Spark 的應用效果就越明顯。因此，對于機器學習之類的“迭代式”應用，Spark 可謂拿手好戲，要比 Hadoop MapReduce 快數十倍。另外，Spark Streaming因為內存存儲中間數據的特性，處理速度非常快，也可以應用于需要實時處理大數據的場合。

當然，Spark 也有不適用的場合。對于那種異步細粒度更新狀態的應用，例如 Web 服務的存儲或增量的 Web 爬蟲和索引，也就是對于那種增量修改的應用模型不適合。Spark 也不適合做超級大的數據量的處理，這里所說的“超級大”是相對于這個集群的內存容量而言的，因為 Spark 要將數據存儲在內存中。一般來說，10TB 以上(單次分析)的數據就可以算是“超級大”的數據了。

一般來說，對于中小企業的數據中心而言，在單次計算的數據量不大的情況下，Spark 都是很好的選擇。另外，Spark 也不適合應用于混合的云計算平臺，因為混合的云計算平臺的網絡傳輸是很大的問題，即便有專屬的寬帶在云端 Cluster和本地 Cluster 之間傳輸數據，相比內存讀取速度來說，依然不抵。