每年，市場上都會出現種種不同的數據管理規模、類型與速度表現的分布式系統。在這些系統中，Spark和hadoop是獲得最大關注的兩個。然而該怎么判斷哪一款適合你?

如果想批處理流量數據，并將其導入HDFS或使用Spark Streaming是否合理?如果想要進行機器學習和預測建模，Mahout或MLLib會更好地滿足您的需求嗎?

為了增加混淆，Spark和Hadoop經常與位于HDFS，Hadoop文件系統中的Spark處理數據一起工作。但是，它們都是獨立個體，每一個體都有自己的優點和缺點以及特定的商業案例。

本文將從以下幾個角度對Spark和Hadoop進行對比：體系結構，性能，成本，安全性和機器學習。

什么是Hadoop?

Hadoop在2006年開始成為雅虎項目，隨后成為頂級的Apache開源項目。它是一種通用的分布式處理形式，具有多個組件：

HDFS(分布式文件系統)，它將文件以Hadoop本機格式存儲，并在集群中并行化;

YARN，協調應用程序運行時的調度程序;

MapReduce，實際并行處理數據的算法。

Hadoop使用Java搭建，可通過多種編程語言訪問，用于通過Thrift客戶端編寫MapReduce代碼(包括Python)。

除了這些基本組件外，Hadoop還包括：

Sqoop，它將關系數據移入HDFS; Hive，一種類似SQL的接口，允許用戶在HDFS上運行查詢; Mahout，機器學習。

除了將HDFS用于文件存儲之外，Hadoop現在還可以配置為使用S3存儲桶或Azure blob作為輸入。

它可以通過Apache發行版開源，也可以通過Cloudera(規模和范圍最大的Hadoop供應商)，MapR或HortonWorks等廠商提供。

什么是Spark?

Spark是一個較新的項目，最初于2012年在加州大學伯克利分校的AMPLab開發。它也是一個頂級Apache項目，專注于在群集中并行處理數據，但最大的區別在于它在內存中運行。

鑒于Hadoop讀取和寫入文件到HDFS，Spark使用稱為RDD，彈性分布式數據集的概念處理RAM中的數據。 Spark可以以獨立模式運行，Hadoop集群可用作數據源，VPS租用 國內服務器，也可以與Mesos一起運行。在后一種情況下，Mesos主站將取代Spark主站或YARN以進行調度。

Spark是圍繞Spark Core搭建的，Spark Core是驅動調度，優化和RDD抽象的引擎，并將Spark連接到正確的文件系統(HDFS，S3，RDBM或Elasticsearch)。有幾個庫在Spark Core上運行，包括Spark SQL，它允許在分布式數據集上運行類似SQL的命令，用于機器學習的MLLib，用于圖形問題的GraphX以及允許連續流式傳輸的流式傳輸記錄數據。

Spark有幾個API。原始界面是用Scala編寫的，基于數據科學家的大量使用，還添加了Python和R端點。 Java是編寫Spark作業的另一種選擇。

Databricks由也Spark創始人Matei Zaharia創建的，致力于提供基于 Spark 的云服務，VPS租用 國內服務器，可用于數據集成，數據管道等任務

1. 架構

Hadoop

首先，所有傳入HDFS的文件都被分割成塊。根據配置的塊大小和復制因子，每個塊在整個群集中被復制指定的次數。該信息被傳遞給NameNode，它跟蹤整個集群中的所有內容。 NameNode將這些文件分配給一些數據節點，然后將這些文件寫入其中。 2012年實施高可用性，允許NameNode故障轉移到備份節點上，以跟蹤群集中的所有文件。

MapReduce算法位于HDFS之上，由JobTracker組成。一旦應用程序以其中一種語言編寫，Hadoop接受JobTracker，然后分配工作(可包括計算單詞和清理日志文件的任何內容)，以便在存儲在Hive倉庫中的數據之上運行HiveQL查詢)到偵聽其他節點的TaskTracker。

YARN分配JobTracker加速并監控它們的資源，以提高效率。然后將所有來自MapReduce階段的結果匯總并寫入HDFS中的磁盤。

Spark

除了計算在內存中執行并在那里存儲直到用戶積極保存它們之外，Spark處理的工作方式與Hadoop類似。最初，Spark從HDFS，S3或其他文件存儲中的文件讀取到名為SparkContext的已建立機制。除此之外，Spark創建了一個名為RDD或彈性分布式數據集的結構，它表示一組可并行操作的元素的不可變集合。

隨著RDD和相關操作的創建，Spark還創建了一個DAG或有向無環圖，以便可視化DAG中的操作順序和操作之間的關系。每個DAG都有階段和步驟;通過這種方式，它與SQL中的解釋計劃類似。

您可以對RDD執行轉換，中間步驟，操作或最終步驟。給定轉換的結果進入DAG，但不會保留到磁盤，但操作的結果會將內存中的所有數據保留到磁盤。

Spark中的一個新抽象是DataFrames，它是在Spark 2.0中作為RDD的配套接口開發的。這兩者非常相似，但DataFrames將數據組織成命名列，類似于Python的熊貓或R包。這使得它們比RDD更方便用戶，RDD沒有類似的一系列列級標題引用。 SparkSQL還允許用戶像關系數據存儲中的SQL表一樣查詢DataFrame。

2. 性能