hadoop vs spark

http://www.zhihu.com/question/26568496#answer-12035815

Hadoop
首先看一下Hadoop解决了什么问题，Hadoop就是解决了大数据（大到一台计算机无法进行存储，一台计算机无法在要求的时间内进行处理）的可靠存储和处理。

• HDFS，在由普通PC组成的集群上提供高可靠的文件存储，通过将块保存多个副本的办法解决服务器或硬盘坏掉的问题。
• MapReduce，通过简单的Mapper和Reducer的抽象，将并发、分布式（如机器间通信）和故障恢复等计算细节隐藏起来，并在一个由几十台上百太的PC组成的不可靠集群上，提供可靠的数据处理。而Mapper和Reducer的抽象，又是各种各样的复杂数据处理都可以分解为的基本元素。这样，复杂的数据处理可以分解为由多个Mapper和Reducer组成的有向无环图（DAG）,然后每个Mapper和Reducer放到Hadoop集群上执行，就可以得出结果。

用MapReduce统计一个文本文件中单词出现的频率的示例WordCount请参见：WordCount - Hadoop Wiki

在MapReduce中，Shuffle是一个非常重要的过程，有了看不见的Shuffle过程，才可以使在MapReduce之上写数据处理的开发者完全感知不到分布式和并发的存在。
（图片来源： Hadoop Definitive Guide By Tom White）

但是MapRecue存在以下局限，使用起来比较困难

• 抽象层次低，需要手工编写代码来完成，使用上难以上手。
• 只提供两个操作，Map和Reduce，表达力欠缺。
• 一个Job只有Map和Reduce两个阶段，复杂的计算需要大量的Job完成。
• 处理逻辑隐藏在代码细节中，没有整体逻辑
• 中间结果也放在文件系统中
• ReduceTask需要等待所有MapTask都完成后才可以开始
• 时延高，只适用Batch数据处理，对于交互式数据处理，实时数据处理的支持不够
• 对于迭代式数据处理性能比较差

因此出现了很多相关的技术对其中的局限进行改进。

Apache Pig
Apache Pig也是Hadoop框架中的一部分，Pig提供类SQL语言（Pig Latin）通过MapReduce来处理大规模半结构化数据。而Pig Latin是更高级的过程语言，通过将MapReduce中的设计模式抽象为操作，如Filter，GroupBy，Join，OrderBy，由这些操作组成数据处理流程。例如如下程序：

visits             = load ‘/data/visits’ as (user, url, time);
gVisits          = group visits by url;
visitCounts  = foreach gVisits generate url, count(visits);

urlInfo          = load ‘/data/urlInfo’ as (url, category, pRank);
visitCounts  = join visitCounts by url, urlInfo by url;

gCategories = group visitCounts by category;
topUrls = foreach gCategories generate top(visitCounts,10);

store topUrls into ‘/data/topUrls’;

描述了数据处理的整个过程。

而Pig Latin又是通过编译为MapReduce，在Hadoop集群上执行的。上述程序被编译成MapReduce时，会产生如下图所示的Map和Reduce：

（图片来源：http://cs.nyu.edu/courses/Fall12/CSCI-GA.2434-001/sigmod08-pig-latin.ppt）

Apache Pig解决了MapReduce存在的大量手写代码，语义隐藏，提供操作种类少的问题。类似的项目还有Cascading，JAQL等。

Apache Tez
Apache Tez，Tez是HortonWorks的Stinger Initiative的的一部分。作为执行引擎，Tez也提供了有向无环图（DAG），DAG由顶点（Vertex）和边（Edge）组成，Edge是对数据的移动的抽象，提供了One-To-One，BroadCast，和Scatter-Gather三种类型，只有Scatter-Gather才需要进行Shuffle。

Tez的优化主要体现在：

（图片来源：http://www.slideshare.net/hortonworks/apache-tez-accelerating-hadoop-query-processing）

1. 去除了连续两个任务之间的写操作
2. 去除了每个工作流中多余的Map阶段

通过提供DAG语义和操作，提供了整体的逻辑，通过减少不必要的操作，Tez提升了执行性能。

Apache Spark
Apache Spark也是一个大数据处理的引擎，主要特点是提供了一个集群的分布式内存抽象，以支持需要工作集的应用。

这个抽象就是RDD（Resilient Distributed Dataset），RDD就是一个不可变的带分区的记录集合。Spark提供了RDD上的两类操作，转换和动作。转换是用来定义一个新的RDD，包括map, flatMap, filter, union, sample, join, groupByKey, cogroup, ReduceByKey, cros, sortByKey, mapValues等，动作是返回一个结果，包括collect, reduce, count, save, lookupKey。

Spark支持故障恢复的方式也不同，提供两种方式，Linage，通过数据的血缘关系，再执行一遍前面的处理，Checkpoint，将数据集存储到持久存储中。

Spark的API非常简单易用，使用Spark，WordCount的示例如下所示：

val spark = new SparkContext(master, appName, [sparkHome], [jars])
val file = spark.textFile("hdfs://...")
val counts = file.flatMap(line => line.split(" "))
                 .map(word => (word, 1))
                 .reduceByKey(_ + _)
counts.saveAsTextFile("hdfs://...")

其中的file是根据HDFS上的文件创建的RDD，后面的flatMap，map，reduceByKe都创建出一个新的RDD，一个简短的程序就能够执行很多个转换和动作。在Spark中，所有RDD的转换都是是惰性求值的。Spark的任务是由相互依赖的多个RDD组成的有向无环图，每个RDD又包含多个分区，当在RDD上执行动作时，Spark才对任务进行调度。

Spark对于有向无环图对任务进行调度，确定阶段，分区，流水线，任务和缓存，进行优化，并在Spark集群上运行任务。RDD之间的依赖分为宽依赖（依赖多个分区）和窄依赖（只依赖一个分区），在确定阶段时，需要根据宽依赖划分阶段。根据分区划分任务。

（图片来源：https://databricks-training.s3.amazonaws.com/slides/advanced-spark-training.pdf）

Spark为迭代式数据处理提供更好的支持。每次迭代的数据可以保存在内存中，而不是写入文件。

Spark的性能相比Hadoop有很大提升，2014年1月，Spark完成了一个Daytona Gray类别的Sort Benchmark测试，排序完全是在磁盘上进行的，与Hadoop之前的测试的对比结果如表格所示：
（表格来源： Spark officially sets a new record in large-scale sorting）
从表格中可以看出排序100TB的数据（1万亿条数据），Spark只用了Hadoop所用1/10的计算资源，耗时只有Hadoop的1/3。

Spakr的优势不仅体现在性能提升上的，Spark框架为批处理（Spark Core），交互式（Spark SQL），流式（Spark Streaming），机器学习（MLlib），图计算（GraphX）提供一个统一的平台，这相对于使用Hadoop有很大优势。

（图片来源：https://gigaom.com/2014/06/28/4-reasons-why-spark-could-jolt-hadoop-into-hyperdrive/）

那么Spark解决了Hadoop的哪些问题呢？

• 抽象层次低，需要手工编写代码来完成，使用上难以上手。
• =>基于RDD的抽象，很多代码已经在RDD转换和动作中实现。
• 只提供两个操作，Map和Reduce，表达力欠缺。
• =>提供很多转换和动作，如Join，GroupBy这种常用的操作
• 一个Job只有Map和Reduce两个阶段，复杂的计算需要大量的Job完成。
• =>逻辑上的多个RDD的转换，在调度式可以生成多个阶段。
• 处理逻辑隐藏在代码细节中，没有整体逻辑
• =>在Scala中，通过匿名函数和高阶函数，RDD的转换支持流式API，可以提供处理逻辑的整体视图。
• 中间结果也放在文件系统中
• =>中间结果放在内存中。
• ReduceTask需要等待所有MapTask都完成后才可以开始
• =>待定
• 时延高，只适用Batch数据处理，对于交互式数据处理，实时数据处理的支持不够
• =>通过将流拆成小的batch提供Discretized Stream处理流数据。
• 对于迭代式数据处理性能比较差
• =>通过在内存中缓存数据，提高迭代式计算的性能。