Spark与Hadoop对比

一、运行速度方面：

Spark把中间数据放到内存中，迭代运算效率高。

Hadoop MapReduce将计算结果保存到磁盘上，这样会影响整体速度，而Spark支持DAG图的分布式并行计算的编程框架，减少了迭代过程中数据的落地，提高了处理效率。

二、容错方面：

Spark引进了弹性分布式数据集RDD 的概念，它是分布在一组节点中的只读对象集合，这些集合是弹性的，如果数据集一部分丢失，则可以数据衍生过程对它们进行重建。另外在RDD计算时可以通过CheckPoint来实现容错。

对于Hadoop来说也有容错机制，Hadoop2.0中引入了YARN资源管理组件，以及基于ZooKeeper组件，使得Hadoop同样具有一定的容错性。数据方面使用HDFS的容错机制保证数据完整性。

三、编程方面：

Spark提供的数据集操作类型有很多种，大致分为：转换操作和行动操作两大类，即对RDD的操作，RDD相关操作较多，这里不做表述。此外各个处理节点之间的通信模型不再像Hadoop只有Shuffle一种模式，用户可以命名、物化，控制中间结果的存储、分区等。

MapReduce编程方面操作就比较单一，总的来说只有Map和Reduce两个阶段。