深度解析：Spark 優(yōu)于 Hadoop 嗎？

作者：Sundara Raghavan Sankaran

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。隨著人們學習了大數(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。

維基百科對大數(shù)據(jù)這樣解釋：大數(shù)據(jù)是一個寬泛的術語，它指傳統(tǒng)數(shù)據(jù)處理應用程序無法處理的巨大而復雜的數(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及分布式處理。換句話說，設計這一產(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)計算的實際標準。Hadoop 這一術語不僅可以與基礎模塊相關，也與可兼容Hadoop的其他軟件包生態(tài)系統(tǒng)息息相關。

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

許多人認為數(shù)據(jù)分析是一門藝術而非一門科學。在任何藝術領域，藝術家創(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果。換句話說，許多數(shù)據(jù)分析學在本質(zhì)上都是交互式的。在傳統(tǒng)意義上，交互式分析習慣上受結構化查詢語言(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)分析及機器學習算法。

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)設置在超光速磁盤上，確保比MapReduce快10-100倍。許多人認為這可能是MapReduce的終結。

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習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。

Spark使用206個AWS EC2 設備，在23分鐘內(nèi)將100TB的數(shù)據(jù)存儲到磁盤上。此前的最高記錄保持者是MapReduce，它使用了2100臺設備，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，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（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。所以學習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?？赡軙cHadoop 及其軟件包生態(tài)系統(tǒng)非常相似。

Spark的最大優(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)。

生成海報

免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內(nèi)容或斷開相關鏈接。