總的來說，Spark采用更先進的架構，使得靈活性、易用性、性能等方面都比Hadoop更有優勢，有取代Hadoop的趨勢，但其穩定性有待進一步提高。我總結，具體表現在如下幾個方面。
A：
Hadoop:MapRedcue由Map和Reduce兩個階段，并通過shuffle將兩個階段連接起來的。但是套用MapReduce模型解決問題，國內服務器，不得不將問題分解為若干個有依賴關系的子問題，每個子問題對應一個MapReduce作業，最終所有這些作業形成一個DAG。 Spark:是通用的DAG框架，可以將多個有依賴關系的作業轉換為一個大的DAG。核心思想是將Map和Reduce兩個操作進一步拆分為多個元操作，這些元操作可以靈活組合，產生新的操作，并經過一些控制程序組裝后形成一個大的DAG作業。
A：
Hadoop:在DAG中，由于有多個MapReduce作業組成，每個作業都會從HDFS上讀取一次數據和寫一次數據(默認寫三份)，即使這些MapReduce作業產生的數據是中間數據也需要寫HDFS。這種表達作業依賴關系的方式比較低效，會浪費大量不必要的磁盤和網絡IO，根本原因是作業之間產生的數據不是直接流動的，而是借助HDFS作為共享數據存儲系統。 Spark：在Spark中，使用內存(內存不夠使用本地磁盤)替代了使用HDFS存儲中間結果。對于迭代運算效率更高。
A：
Hadoop：只提供了Map和Reduce兩種操作所有的作業都得轉換成Map和Reduce的操作。 Spark：提供很多種的數據集操作類型比如Transformations 包括map, filter, flatMap, sample, groupByKey, reduceByKey, union, join, cogroup, mapValues,sort,partionBy等多種操作類型，還提供actions操作包括Count,collect, reduce, lookup, save等多種。這些多種多樣的數據集操作類型，給開發上層應用的用戶提供了方便。
Q：spark中的RDD是什么，有哪些特性?
A：
A list of partitions：一個分區列表，RDD中的數據都存儲在一個分區列表中 A function for computing each split：作用在每一個分區中的函數 A list of dependencies on other RDDs：一個RDD依賴于其他多個RDD，這個點很重要，RDD的容錯機制就是依據這個特性而來的 Optionally,a Partitioner for key-value RDDs(eg:to say that the RDD is hash-partitioned)：可選的，針對于kv類型的RDD才有這個特性，作用是決定了數據的來源以及數據處理后的去向 可選項，數據本地性，數據位置最優
Q：概述一下spark中的常用算子區別(map,mapPartitions，foreach，foreachPatition)
A：map：用于遍歷RDD，美國站群服務器，將函數應用于每一個元素，返回新的RDD(transformation算子)
foreach：用于遍歷RDD，將函數應用于每一個元素，無返回值(action算子)
mapPatitions：用于遍歷操作RDD中的每一個分區，返回生成一個新的RDD(transformation算子)
foreachPatition：用于遍歷操作RDD中的每一個分區，無返回值(action算子)
總結：一般使用mapPatitions和foreachPatition算子比map和foreach更加高效，推薦使用。
【凡本網注明來源非中國IDC圈的作品，均轉載自其它媒體，目的在于傳遞更多信息，并不代表本網贊同其觀點和對其真實性負責。】
