Hadoop在大數(shù)據(jù)領(lǐng)域享有多年壟斷權(quán)，隨著該領(lǐng)域開始出現(xiàn)新生力量，其統(tǒng)治地位正在逐漸下滑。年初的調(diào)查中，Hadoop被列為2018年大數(shù)據(jù)領(lǐng)域的“漸凍”趨勢之一，Gartner的調(diào)查也揭示了Hadoop使用量的下滑，不少人將Hadoop稱作“倒下的大象”，比如Lucidworks首席執(zhí)行官Will Hayes.如果Hadoop開始進入寒冬期，率先崛起的會是呼聲最高的Spark嗎？

筆者曾經(jīng)看過一個非常有趣的比喻，Hadoop是第一家大型包工隊，可以組織一大堆人合作（HDFS）搬磚蓋房（用MapReduce），但是速度比較慢。

Spark是另一家包工隊，雖然成立得晚一些，但是他們搬磚很快很靈活，可以實時交互地蓋房子，比Hadoop快得多。

Hadoop開始升級，指定調(diào)度專家YARN調(diào)度工人。Spark從多個倉庫搬磚（HDFS，Cassandra，S3，HBase），還允許不同專家如YARN/ MESOS對人員和任務(wù)進行調(diào)度。

當(dāng)然，他們兩家并不是水火不容。Spark經(jīng)常和Hadoop團隊合作，這讓問題變得更加復(fù)雜。不管怎么說，Spark和Hadoop都是兩個獨立的包工隊，都有著各自的優(yōu)缺點和特定的業(yè)務(wù)用例。

所以，最后，哪一家會勝出呢？

本文將從這兩大系統(tǒng)的體系結(jié)構(gòu)，性能，VPS租用 國內(nèi)服務(wù)器，成本，安全性和機器學(xué)習(xí)能力等方面進行比較。

Hadoop是什么？

現(xiàn)在恐怕沒有人會問“Hadoop是什么？”這個問題了，因為它實在是太火了！Hadoop在2006年開始成為雅虎項目，隨后晉升為頂級Apache開源項目。它是一種通用的分布式系統(tǒng)基礎(chǔ)架構(gòu)，具有多個組件：Hadoop分布式文件系統(tǒng)（HDFS），它將文件以Hadoop本機格式存儲并在集群中并行化； YARN，協(xié)調(diào)應(yīng)用程序運行時的調(diào)度程序； MapReduce，這是實際并行處理數(shù)據(jù)的算法。Hadoop使用Java編程語言構(gòu)建，其上的應(yīng)用程序也可以使用其他語言編寫。通過一個Thrift客戶端，用戶可以編寫MapReduce或者Python代碼。

除了這些基本組件外，Hadoop還包括Sqoop，它將關(guān)系數(shù)據(jù)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(xué)習(xí)。除了將HDFS用于文件存儲之外，Hadoop現(xiàn)在還可以配置使用S3 buckets或Azure blob作為輸入。

它可以通過Apache發(fā)行版開源，也可以通過Cloudera（規(guī)模和范圍最大的Hadoop供應(yīng)商），MapR或HortonWorks等廠商提供。

Spark是什么？

Spark是一個較新的項目，最初于2012年誕生在加州大學(xué)伯克利分校的AMPLab.它也是一個頂級Apache項目，專注于在集群中并行處理數(shù)據(jù)，最大的區(qū)別在于它在內(nèi)存中運行。

類似于Hadoop讀取和寫入文件到HDFS的概念，Spark使用RDD（彈性分布式數(shù)據(jù)集）處理RAM中的數(shù)據(jù)。Spark以獨立模式運行，Hadoop集群可用作數(shù)據(jù)源，也可與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(diào)度。

Spark是圍繞Spark Core構(gòu)建的，Spark Core是驅(qū)動調(diào)度，優(yōu)化和RDD抽象的引擎，并將Spark連接到正確的文件系統(tǒng)（HDFS，S3，RDBM或Elasticsearch）。Spark Core上還運行了幾個庫，包括Spark SQL，允許用戶在分布式數(shù)據(jù)集上運行類似SQL的命令，用于機器學(xué)習(xí)的MLLib，用于解決圖形問題的GraphX以及允許輸入連續(xù)流式日志數(shù)據(jù)的Streaming. Spark有幾個API.原始界面是用Scala編寫的，并且由于大量數(shù)據(jù)科學(xué)家的使用，還添加了Python和R接口。Java是編寫Spark作業(yè)的另一種選擇。

Databricks是由Spark創(chuàng)始人Matei Zaharia創(chuàng)立的公司，現(xiàn)在負責(zé)Spark開發(fā)并為客戶提供Spark分銷。

架構(gòu)對比

Hadoop

首先，所有傳入HDFS的文件都被分割成塊。根據(jù)配置的塊大小和復(fù)制因子，每個塊在集群中被復(fù)制指定的次數(shù)。該信息被傳遞給NameNode，它跟蹤集群中的所有內(nèi)容。NameNode將這些文件分配給多個數(shù)據(jù)節(jié)點，然后將這些文件寫入其中。在2012年被實施的高可用性允許NameNode故障轉(zhuǎn)移到備份節(jié)點上，以跟蹤集群中的所有文件。

MapReduce算法位于HDFS之上，由JobTracker組成。一旦應(yīng)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等內(nèi)容，以及在Hive倉庫數(shù)據(jù)集之上運行HiveQL查詢）到偵聽其他節(jié)點的TaskTracker. YARN分配JobTracker加速并監(jiān)控它們的資源，以提高效率。然后將所有來自MapReduce階段的結(jié)果匯總并寫入HDFS中的磁盤之上。

Spark

Spark的計算過程在內(nèi)存中執(zhí)行并在內(nèi)存中存儲，直到用戶保存為止。除此之外，Spark處理工作的方式基本與Hadoop類似。最初，Spark從HDFS，S3或其他文件存儲系統(tǒng)讀取到名為SparkContext的程序執(zhí)行入口。除此之外，Spark創(chuàng)建了一個名為RDD（彈性分布式數(shù)據(jù)集）的結(jié)構(gòu)，它表示一組可并行操作元素的不可變集合。

隨著RDD和相關(guān)操作的創(chuàng)建，Spark還創(chuàng)建了一個DAG（有向無環(huán)圖），以便可視化DAG中的操作順序和操作之間的關(guān)系。每個DAG都有確定的階段和步驟。

用戶可以在RDD上執(zhí)行轉(zhuǎn)換，中間操作或最終步驟。給定轉(zhuǎn)換的結(jié)果進入DAG，不會保留到磁盤，但每一步操作都會將內(nèi)存中的所有數(shù)據(jù)保留到磁盤。