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，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，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

發現Spark在內存中運行速度快100倍，在磁盤上運行速度快10倍。在十分之一的機器上，它也被用于對100 TB數據進行排序，比Hadoop MapReduce快3倍。特別發現Spark在機器學習應用中更快，例如樸素貝葉斯和k-means。

由處理速度衡量的Spark性能已經發現比Hadoop更優，原因如下：

每次運行MapReduce任務的選定部分時，Spark都不會受到輸入輸出問題的束縛。事實證明，應用程序的速度要快得多

Spark的DAG可以在步驟之間進行優化。 Hadoop在MapReduce步驟之間沒有任何周期性連接，這意味著在該級別不會發生性能調整。

但是，如果Spark與其他共享服務在YARN上運行，則性能可能會降低并導致RAM開銷內存泄漏。出于這個原因，如果用戶有批處理的用例，Hadoop被認為是更高效的系統。

3. 成本

Spark和Hadoop都可以作為開源Apache項目免費獲得，這意味著您可以以零安裝成本運行它。但是，重要的是要考慮總體擁有成本，其中包括維護，硬件和軟件購買以及雇用了解群集管理的團隊。內部安裝的一般經驗法則是Hadoop需要更多的磁盤內存，而Spark需要更多的內存，這意味著設置Spark集群可能會更加昂貴。此外，由于Spark是較新的系統，因此它的專家更為稀少，而且成本更高。另一種選擇是使用供應商進行安裝，例如Cloudera for Hadoop或Spark for DataBricks，或使用AWS在云中運行EMR / Mapreduce流程。

由于Hadoop和Spark是串聯運行的，即使在配置為在安裝Spark的情況下運行的EMR實例上，也可以將提取定價比較分離出來。對于非常高級別的比較，假設您為Hadoop選擇計算優化的EMR群集，最小實例c4.large的成本為每小時0.026美元。 Spark最小的內存優化集群每小時成本為0.067美元。因此，Spark每小時更昂貴，但對計算時間進行優化，類似的任務應該在Spark集群上花費更少的時間。

4. 安全性

Hadoop具有高度容錯性，因為它旨在跨多個節點復制數據。每個文件都被分割成塊，并在許多機器上復制無數次，以確保如果單臺機器停機，可以從別處的其他塊重建文件。

Spark的容錯主要是通過RDD操作來實現的。最初，靜態數據存儲在HDFS中，通過Hadoop的體系結構進行容錯。隨著RDD的建立，譜系也是如此，它記住了數據集是如何構建的，并且由于它是不可變的，如果需要可以從頭開始重建。跨Spark分區的數據也可以基于DAG跨數據節點重建。數據在執行器節點之間復制，如果執行器和驅動程序之間的節點或通信失敗，通常可能會損壞數據。

Spark和Hadoop都可以支持Kerberos身份驗證，但Hadoop對HDFS具有更加細化的安全控制。 Apache Sentry是一個用于執行細粒度元數據訪問的系統，是另一個專門用于HDFS級別安全性的項目。

Spark的安全模型目前很少，但允許通過共享密鑰進行身份驗證。

5. 機器學習

Hadoop使用Mahout來處理數據。 Mahout包括集群，分類和基于批處理的協作過濾，所有這些都在MapReduce之上運行。目前正在逐步推出支持Scala支持的DSL語言Samsara，允許用戶進行內存和代數操作，并允許用戶編寫自己的算法。

Spark有一個機器學習庫MLLib，用于內存迭代機器學習應用程序。它可用于Java，Scala，Python或R，包括分類和回歸，以及通過超參數調整構建機器學習管道的能力。

總結

那么它是Hadoop還是Spark?這些系統是目前市場上處理數據最重要的兩個分布式系統。 Hadoop主要用于使用MapReduce范例的大規模磁盤操作，而Spark則是一種更靈活，但成本更高的內存處理架構。兩者都是Apache的頂級項目，經常一起使用，并且有相似之處，但在決定使用它們時，了解每個項目的特征是非常重要的。