Spark，是分布式計算平臺，是一個用scala語言編寫的計算框架，基于內存的快速、通用、可擴展的大數據分析引擎
Hadoop，是分布式管理、存儲、計算的生態系統；包括HDFS（存儲）、MapReduce（計算）、Yarn（資源調度）
一、Spark VS Hadoop 概覽
Hadoop和Spark都是并行計算，兩者都是用MR模型進行計算
Hadoop一個作業稱為一個Job，Job里面分為Map Task和Reduce Task階段，每個Task都在自己的進程中運行，當Task結束時，進程也會隨之結束；
Spark用戶提交的任務稱為application，一個application對應一個SparkContext，app中存在多個job，每觸發一次action操作就會產生一個job。這些job可以并行或串行執行，每個job中有多個stage，stage是shuffle過程中DAGScheduler通過RDD之間的依賴關系劃分job而來的，每個stage里面有多個task，組成taskset，由TaskScheduler分發到各個executor中執行；executor的生命周期是和app一樣的，即使沒有job運行也是存在的，所以task可以快速啟動讀取內存進行計算。
ps：一個Application -> 多個job ->一個job多個stage -> 一個stage多個task
mapreduce 讀 – 處理 - 寫磁盤 – 讀 - 處理 - 寫
spark 讀 - 處理 - 處理 --（需要的時候）寫磁盤 - 寫
| Hadoop | Spark | |
|---|---|---|
| 類型 | 基礎平臺，包括計算、調度、存儲 | 分布式計算工具 |
| 場景 | 大規模數據集上的批處理 | 迭代計算、交互式計算、流計算 |
| 價格 | 對機器要求低、便宜 | 對內存有要求、相對較貴 |
| 編程范式 | Map+Reduce，API較為底層、適應性差 | RDD組成DAG有向無環圖，API較為頂層，方便使用 |
| 數據存儲結構 | MapReduce計算結果存在HDFS磁盤上，延遲大 | RDD中間運算結果存在內存上，延遲小 |
| 運行方式 | Task以進程的方式維護，任務啟動慢 | Task以線程的方式維護，任務啟動快 |
二、Spark相對Hadoop的優越性
Spark 是在借鑒了 MapReduce 之上發展而來的，繼承了其分布式并行計算的優點并改進了 MapReduce 明顯的缺陷，（spark 與 hadoop 的差異）具體如下：
首先，Spark 把中間數據放到內存中，迭代運算效率高。MapReduce 中計算結果需要落地，保存到磁盤上，這樣勢必會影響整體速度，而 Spark 支持 DAG 圖的分布式并行計算的編程框架，減少了迭代過程中數據的落地，提高了處理效率。（延遲加載）
其次，Spark 容錯性高。Spark 引進了彈性分布式數據集 RDD (Resilient DistributedDataset) 的抽象，它是分布在一組節點中的只讀對象集合，這些集合是彈性的，如果數據集一部分丟失，則可以根據“血統”（即允許基于數據衍生過程）對它們進行重建。另外在RDD 計算時可以通過 CheckPoint 來實現容錯。
最后，Spark 更加通用。mapreduce 只提供了 Map 和 Reduce 兩種操作，Spark 提供的數據集操作類型有很多，大致分為：Transformations 和 Actions 兩大類。Transformations包括 Map、Filter、FlatMap、Sample、GroupByKey、ReduceByKey、Union、Join、Cogroup、MapValues、Sort 等多種操作類型，同時還提供 Count, Actions 包括 Collect、Reduce、Lookup 和 Save 等操作
三、 各方面比較
- Spark對標于Hadoop中的計算模塊MR，但是速度和效率比MR要快得多；
- Spark沒有提供文件管理系統，所以，它必須和其他的分布式文件系統進行集成才能運作，它只是一個計算分析框架，專門用來對分布式存儲的數據進行計算處理，它本身并不能存儲數據；
- Spark可以使用Hadoop的HDFS或者其他云數據平臺進行數據存儲，但是一般使用HDFS；
- Spark可以使用基于HDFS的HBase數據庫，也可以使用HDFS的數據文件，還可以通過jdbc連接使用Mysql數據庫數據；Spark可以對數據庫數據進行修改刪除，而HDFS只能對數據進行追加和全表刪除；
- Spark數據處理速度秒殺Hadoop中MR；
- Spark處理數據的設計模式與MR不一樣，Hadoop是從HDFS讀取數據，通過MR將中間結果寫入HDFS；然后再重新從HDFS讀取數據進行MR，再刷寫到HDFS，這個過程涉及多次落盤操作，多次磁盤IO，效率并不高；而Spark的設計模式是讀取集群中的數據后，在內存中存儲和運算，直到全部運算完畢后，再存儲到集群中；
- Spark是由于Hadoop中MR效率低下而產生的高效率快速計算引擎，批處理速度比MR快近10倍，內存中的數據分析速度比Hadoop快近100倍（源自官網描述）；
- Spark中RDD一般存放在內存中，如果內存不夠存放數據，會同時使用磁盤存儲數據；通過RDD之間的血緣連接、數據存入內存中切斷血緣關系等機制，可以實現災難恢復，當數據丟失時可以恢復數據；這一點與Hadoop類似，Hadoop基于磁盤讀寫，天生數據具備可恢復性；
- Spark引進了內存集群計算的概念，可在內存集群計算中將數據集緩存在內存中，以縮短訪問延遲，對7的補充；
- Spark中通過DAG圖可以實現良好的容錯。
四、三大分布式計算系統
Hadoop適合處理離線的靜態的大數據；
Spark適合處理離線的流式的大數據；
Storm/Flink適合處理在線的實時的大數據。
