Spark与Hadoop之间的PK

一说大数据，人们往往想到 Hadoop。这固然不错，但随着大数据技术的深入应用，多种类型的数据应用不断被要求提出，一些 Hadoop 被关注的范畴开始被人们注意，相关技术也迅速获得专业技术范畴的应用。最近半年来的 Spark 之热就是典型例子。

        Spark 是一个基于 RAM 计算的开源码 ComputerCluster 运算系统，目的是更快速地进行数据分析。Spark 早期的核心部分代码只有 3 万行。Spark 提供了与 HadoopMap/Reduce 相似的分散式运算框架，但基于 RAM 和优化设计，因此在交换式数据分析和 datamining 的 Workload 中表现不错。

        进入 2014 年以后，Spark 开源码生态系统大幅增长，已成为大数据范畴最活跃的开源码项目之一。Spark 之所以有如此多的关注，塬因主要是因为 Spark 具有的高性能、高灵活性、与 Hadoop 生态系统完美融合等叁方面的特点。

        首先，Spark 对分散的数据集进行抽样，创新地提出 RDD (ResilientDistributedDataset)的概念，所有的统计分析任务被翻译成对 RDD 的基本操作组成的有向无环图(DAG)。RDD 可以被驻留在 RAM 中，往后的任务可以直接读取 RAM 中的数据；同时分析 DAG 中任务之间的依赖性可以把相邻的任务合并，从而减少了大量不准确的结果输出，极大减少了 HarddiskI/O，使复杂数据分析任务更高效。从这个推算，如果任务够复杂，Spark 比 Map/Reduce 快一到两倍。

        其次，Spark 是一个灵活的运算框架，适合做批次处理、工作流、交互式分析、流量处理等不同类型的应用，因此 Spark 也可以成为一个用途广泛的运算引擎，并在未来取代 Map/Reduce 的地

        最后，Spark 可以与 Hadoop 生态系统的很多组件互相操作。Spark 可以运行在新一代资源管理框架 YARN 上，它还可以读取已有并存放在 Hadoop 上的数据，这是个非常大的优势。

        虽然 Spark 具有以上叁大优点，但从目前 Spark 的发展和应用现状来看，Spark 本身也存在很多缺陷，主要包括以下几个方面：

• 稳定性方面，由于代码质量问题，Spark 长时间运行会经常出错，在架构方面，由于大量数据被缓存在 RAM 中，Java 回收垃圾缓慢的情况严重，导致 Spark 性能不稳定，在复杂场景中 SQL 的性能甚至不如现有的 Map/Reduce。
• 不能处理大数据，单独机器处理数据过大，或者由于数据出现问题导致中间结果超过 RAM 的大小时，常常出现 RAM 空间不足或无法得出结果。然而，Map/Reduce 运算框架可以处理大数据，在这方面，Spark 不如 Map/Reduce 运算框架有效。
• 不能支持复杂的 SQL 统计；目前 Spark 支持的 SQL 语法完整程度还不能应用在复杂数据分析中。在可管理性方面，SparkYARN 的结合不完善，这就为使用过程中埋下隐忧，容易出现各种难题。

        虽然 Spark 活跃在 Cloudera、MapR、Hortonworks 等众多知名大数据公司，但是如果 Spark 本身的缺陷得不到及时处理，将会严重影响 Spark 的普及和发展。