Hadoop與Spark哪個更好

本篇內(nèi)容介紹了“Hadoop與Spark哪個更好”的有關(guān)知識，在實(shí)際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領(lǐng)大家學(xué)習(xí)一下如何處理這些情況吧！希望大家仔細(xì)閱讀，能夠?qū)W有所成！

 Hadoop框架的主要模塊包括如下：

• Hadoop Common

• Hadoop分布式文件系統(tǒng)(HDFS)

• Hadoop YARN

• Hadoop MapReduce

雖然上述四個模塊構(gòu)成了Hadoop的核心，不過還有其他幾個模塊。這些模塊包括：Ambari、Avro、Cassandra、Hive、 Pig、Oozie、Flume和Sqoop，它們進(jìn)一步增強(qiáng)和擴(kuò)展了Hadoop的功能。

Spark確實(shí)速度很快(最多比Hadoop MapReduce快100倍)。Spark還可以執(zhí)行批量處理，然而它真正擅長的是處理流工作負(fù)載、交互式查詢和機(jī)器學(xué)習(xí)。

相比MapReduce基于磁盤的批量處理引擎，Spark賴以成名之處是其數(shù)據(jù)實(shí)時處理功能。Spark與Hadoop及其模塊兼容。實(shí)際上，在Hadoop的項(xiàng)目頁面上，Spark就被列為是一個模塊。

Spark有自己的頁面，因?yàn)殡m然它可以通過YARN(另一種資源協(xié)調(diào)者)在Hadoop集群中運(yùn)行，但是它也有一種獨(dú)立模式。它可以作為 Hadoop模塊來運(yùn)行，也可以作為獨(dú)立解決方案來運(yùn)行。

MapReduce和Spark的主要區(qū)別在于，MapReduce使用持久存儲，而Spark使用彈性分布式數(shù)據(jù)集(RDDS)。

性能
Spark之所以如此快速，原因在于它在內(nèi)存中處理一切數(shù)據(jù)。沒錯，它還可以使用磁盤來處理未全部裝入到內(nèi)存中的數(shù)據(jù)。
Spark的內(nèi)存處理為來自多個來源的數(shù)據(jù)提供了近乎實(shí)時分析的功能：營銷活動、機(jī)器學(xué)習(xí)、物聯(lián)網(wǎng)傳感器、日志監(jiān)控、安全分析和社交媒體網(wǎng)站。另 外，MapReduce使用批量處理，其實(shí)從來就不是為驚人的速度設(shè)計(jì)的。它的初衷是不斷收集來自網(wǎng)站的信息，不需要這些數(shù)據(jù)具有實(shí)時性或近乎實(shí)時性。

易用性
支持Scala(原生語言)、Java、Python和Spark SQL。Spark SQL非常類似于SQL 92，所以幾乎不需要經(jīng)歷一番學(xué)習(xí)，馬上可以上手。
Spark還有一種交互模式，那樣開發(fā)人員和用戶都可以獲得查詢和其他操作的即時反饋。MapReduce沒有交互模式，不過有了Hive和Pig等附加模塊，采用者使用MapReduce來得容易一點(diǎn)。

成本
“Spark已證明在數(shù)據(jù)多達(dá)PB的情況下也輕松自如。它被用于在數(shù)量只有十分之一的機(jī)器上，對100TB數(shù)據(jù)進(jìn)行排序的速度比Hadoop MapReduce快3倍。”這一成績讓Spark成為2014年Daytona GraySort基準(zhǔn)。

兼容性
MapReduce和Spark相互兼容;MapReduce通過JDBC和ODC兼容諸多數(shù)據(jù)源、文件格式和商業(yè)智能工具，Spark具有與MapReduce同樣的兼容性。

數(shù)據(jù)處理
MapReduce是一種批量處理引擎。MapReduce以順序步驟來操作，先從集群讀取數(shù)據(jù)，然后對數(shù)據(jù)執(zhí)行操作，將結(jié)果寫回到集群，從集群讀 取更新后的數(shù)據(jù)，執(zhí)行下一個數(shù)據(jù)操作，將那些結(jié)果寫回到結(jié)果，依次類推。Spark執(zhí)行類似的操作，不過是在內(nèi)存中一步執(zhí)行。它從集群讀取數(shù)據(jù)后，對數(shù)據(jù) 執(zhí)行操作，然后寫回到集群。

Spark還包括自己的圖形計(jì)算庫GraphX。GraphX讓用戶可以查看與圖形和集合同樣的數(shù)據(jù)。用戶還可以使用彈性分布式數(shù)據(jù)集(RDD)，改變和聯(lián)合圖形，容錯部分作了討論。

容錯
至于容錯，MapReduce和Spark從兩個不同的方向來解決問題。MapReduce使用TaskTracker節(jié)點(diǎn)，它為 JobTracker節(jié)點(diǎn)提供了心跳(heartbeat)。如果沒有心跳，那么JobTracker節(jié)點(diǎn)重新調(diào)度所有將執(zhí)行的操作和正在進(jìn)行的操作，交 給另一個TaskTracker節(jié)點(diǎn)。這種方法在提供容錯性方面很有效，可是會大大延長某些操作(即便只有一個故障)的完成時間。

Spark使用彈性分布式數(shù)據(jù)集(RDD)，它們是容錯集合，里面的數(shù)據(jù)元素可執(zhí)行并行操作。RDD可以引用外部存儲系統(tǒng)中的數(shù)據(jù)集，比如共享式文件系統(tǒng)、HDFS、HBase，或者提供Hadoop InputFormat的任何數(shù)據(jù)源。Spark可以用Hadoop支持的任何存儲源創(chuàng)建RDD，包括本地文件系統(tǒng)，或前面所列的其中一種文件系統(tǒng)。

RDD擁有五個主要屬性：

• 分區(qū)列表

• 計(jì)算每個分片的函數(shù)

• 依賴其他RDD的項(xiàng)目列表

• 面向鍵值RDD的分區(qū)程序(比如說RDD是散列分區(qū))，這是可選屬性

• 計(jì)算每個分片的首選位置的列表(比如HDFS文件的數(shù)據(jù)塊位置)，這是可選屬性

RDD可能具有持久性，以便將數(shù)據(jù)集緩存在內(nèi)存中。這樣一來，以后的操作大大加快，最多達(dá)10倍。Spark的緩存具有容錯性，原因在于如果RDD的任何分區(qū)丟失，就會使用原始轉(zhuǎn)換，自動重新計(jì)算。

可擴(kuò)展性

按照定義，MapReduce和Spark都可以使用HDFS來擴(kuò)展。那么，Hadoop集群能變得多大呢?

據(jù)稱雅虎有一套42000個節(jié)點(diǎn)組成的Hadoop集群，可以說擴(kuò)展無極限。最大的已知Spark集群是8000個節(jié)點(diǎn)，不過隨著大數(shù)據(jù)增多，預(yù)計(jì)集群規(guī)模也會隨之變大，以便繼續(xù)滿足吞吐量方面的預(yù)期。
安全
Hadoop支持Kerberos身份驗(yàn)證，這管理起來有麻煩。然而，第三方廠商讓企業(yè)組織能夠充分利用活動目錄Kerberos和LDAP用于身份驗(yàn)證。同樣那些第三方廠商還為傳輸中數(shù)據(jù)和靜態(tài)數(shù)據(jù)提供數(shù)據(jù)加密。
Hadoop分布式文件系統(tǒng)支持訪問控制列表(ACL)和傳統(tǒng)的文件權(quán)限模式。Hadoop為任務(wù)提交中的用戶控制提供了服務(wù)級授權(quán)(Service Level Authorization)，這確?？蛻魮碛姓_的權(quán)限。
Spark的安全性弱一點(diǎn)，目前只支持通過共享密鑰(密碼驗(yàn)證)的身份驗(yàn)證。Spark在安全方面帶來的好處是，如果你在HDFS上運(yùn)行Spark，它可以使用HDFS ACL和文件級權(quán)限。此外，Spark可以在YARN上運(yùn)行，因而能夠使用Kerberos身份驗(yàn)證。

“Hadoop與Spark哪個更好”的內(nèi)容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業(yè)相關(guān)的知識可以關(guān)注億速云網(wǎng)站，小編將為大家輸出更多高質(zhì)量的實(shí)用文章！