全文共2601字，预计学习时长5分钟

图片来源：unsplash.com/@gferla

当下，数字宇宙正以飞快的速度追赶着物理宇宙，每两年，全球数据量就会翻一番。据估计，到2020年，数字宇宙将达到44泽字节——其数字位的数量相当于宇宙中恒星的数量。

数据量随时间的推移而增加

为处理这些数据，市面上的分布式系统也越来越多。在众多系统中，Hadoop和Spark经常被视为直接竞争对手进行比较。

在决定哪个框架更合适时，可以根据几个基本的参数来比较。

性能

Spark的速度非常快并优于Hadoop框架，内存运行速度快100倍，磁盘运行速度快10倍。此外，使用Spark小10倍的机器对100 TB数据进行排序时，其速度是Hadoop的3倍。

Hadoop vs Spark

Spark速度快是因为在内存中处理数据。Spark的内存处理可以为营销活动、物联网传感器、机器学习和社交媒体网站提供数据实时分析。

然而，如果Spark与其它服务都在YARN上运行，Spark的性能就会下降，这会导致RAM内存不足。而Hadoop就能很好的解决这一问题，如果用户想要批量处理，那么Hadoop会比Spark高效得多。

注意：Hadoop和Spark有不同的处理方法。在Hadoop和Spark的性能对比中，究竟是使用Hadoop还是Spark，完全取决于项目需求。

Facebook和Spark框架的过渡之旅

Facebook上的数据每分每秒都在增长，Facebook使用分析技术来处理和利用数据做决策，它利用了以下几个平台来实现这一目的：

1. 用于执行Facebook部分批量分析的Hive平台

2. 用于Mapreduce自定义实施的Corona平台

3. 基于ANSI-SQL查询的Presto数据查询引擎

从计算角度来看，上方所讨论的Hive平台属于“资源密集型”，维护这一平台颇具挑战。因此，Facebook决定转向Apache Spark来管理数据。当前，Facebook通过与Spark的整合为实体排名系统部署了一个更快速的可管理通道。

使用Spark框架的Facebook

安全性

Spark的安全性仍在不断发展，当前其仅支持通过共享密码（密码身份验证）核实身份。Spache Spark的官网也声明“Spark仍存在不同类型的安全问题，并不能保护所有的东西”。

另一方面，Hadoop则具有以下安全特性：Hadoop身份验证、授权、审计和加密。所有这些都与Knox Gateway和Sentry等的Hadoop安全项目相结合。

关键点：在Hadoop和Spark的安全对比中，Spark的安全性略逊于Hadoop。然而，将Hadoop与Spark结合，Spark就可以具备Hadoop的安全特性。

成本

首先，Hadoop和Spark都是开源框架，因此两者都是免费的，都使用普通服务器，都在云端运行，且似乎有一些类似的硬件需求：

Hadoop vs.Spark specs

如何从成本角度进行评估呢？

请注意，Spark利用大量RAM来运行内存中的东西。RAM的价格高于硬盘，所以这可能会影响成本。

另一方面，Hadoop绑定了硬盘，这就节省了购买RAM的成本。但是，Hadoop需要更多的系统来分配磁盘I/O。

因此，在比较Hadoop和Spark框架的成本参数时，机构必须要将需求纳入考虑。

如果需求倾向于处理大量大型的历史数据，选择Hadoop就是正确的，因为硬盘空间的价格要比内存空间的价格低得多。

另一方面，如果要处理实时数据，Spark的性价比更高，因为Spark可以利用更少的硬件以更快的速率执行相同的任务。

注意：在Hadoop和Spark的成本对比中，毋庸置疑，Hadoop的成本更低。但如果机构得处理少量实时数据时，Spark则更为划算。

易操作性

Spark框架的一大USPs就是其易操作性，Spark为Scala Java、Python、Spark SQL（又称之为Shark）提供了用户友好舒适型的API。

Spark的简单构建模块使得编写用户定义函数变得更为轻易。此外，由于Spark支持批量处理和机器学习，因此也易于简化数据处理的基础设施。Spark还包括一个用于运行即时反馈命令的交互模式。

Hadoop是用Java编写的。在编写无交互模式的程序时，Hadoop的难用是众所周知的，由于其给程序的编写带来了很大的困难。尽管Pig（一个附加工具）使得编程更为容易，但却需要花费时间来学习语法。

关键点：在Hadoop和Spark的易操作性对比中，两者都有自身的用户友好方式。但如果必须二者择其一，Spark更易于编程又兼具交互模式。

Apache Hadoop和Spark有可能实现协同合作吗？

图片来源：unsplash.com/@starks73

我们非常期盼这样一种可能性，现在来详细了解如何实现协同合作吧。

Apache Hadoop生态系统包括HDFS、Apache Query和HIVE，Apache是如何利用它们的呢？

Apache Spark和HDFS的合并

Apache Spark的目的是处理数据。但为了处理数据，引擎需要从存储中输入数据，Spark利用HDFS来实现这一目的（这一选择不是唯一的，但是最流行的，因为Apache是其背后的大脑）。

Apache HIVE和Apache Spark的混合

Apache HIVE和Apache Spark是高度兼容的，两者相结合可以解决很多的业务问题。

例如，一个公司正在分析消费者行为，需要从诸如社交媒体、评论、点击流数据、客户移动应用程序等各种来源收集数据。

企业可以利用HDFS存储数据，Apache HIVE作为HDFS和Spark的桥梁。

Uber及其合并法

使用Hadoop和Spark的Uber

Uber结合Spark和Hadoop来处理消费者数据，使用实时交通状况提供处于特定地点和时间的司机。为实现这一目标，Uber利用HDFS将原始数据上传至HIVE，并利用Spark处理数十亿个事件。

在Hadoop和Spark的对比中，赢家是......

尽管Spark速度快且易操作，但Hadoop是安全性高、存储量大、低成本的批量处理。究竟选择哪一个完全取决于项目需求，将两者结合起来则所向披靡。

将Spark和Hadoop的部分属性结合起来，形成一个全新的框架：Spoop。

留言 点赞 关注

我们一起分享AI学习与发展的干货