Hadoop与 Spark - 选择正确的大数据框架

我们被各方的数据所包围。随着数据每两年增加一倍，数字世界正在快速追逐物理世界。据估计，到2020年，数字宇宙将达到44个zettabytes - 与宇宙中的恒星一样多的数字位。

 

数据正在增加，我们不会很快摆脱它。为了消化所有这些数据，市场上有越来越多的分布式系统。在这些系统中，Hadoop和Spark经常作为直接竞争对手相互竞争。

在决定这两个框架中哪一个适合您时，根据几个基本参数对它们进行比较非常重要。

性能

Spark非常闪电，并且发现它的性能优于Hadoop框架。它在内存中的运行速度提高了100倍，在磁盘上运行速度提高了 10倍。此外，我们发现，它使用10倍的机器，比使用Hadoop快3倍的数据排序100 TB。

 

Spark是如此之快，因为它处理内存中的所有内容。得益于Spark的内存处理，它可以为来自营销活动，物联网传感器，机器学习和社交媒体网站的数据提供实时分析。

但是，如果Spark和其他共享服务在YARN上运行，已经为大家精心准备了大数据的系统学习资料，从Linux-Hadoop-spark-......，需要的小伙伴可以点击则其性能可能会降低。这可能导致RAM开销内存泄漏。另一方面，Hadoop轻松处理这个问题。如果用户倾向于批量处理，Hadoop比Spark更有效。

Hadoop和Spark都有不同的处理方式。因此，它完全取决于项目的需求，是否在Hadoop和Spark性能战中继续使用Hadoop或Spark。

Facebook及其与Spark框架的过渡之旅

Facebook上的数据每过一秒就会增加。为了处理这些数据并使用它来做出明智的决定，Facebook使用分析。为此，它使用了许多平台，如下所示：

• Hive平台执行Facebook的一些批量分析。
• 用于自定义MapReduce实现的Corona平台。
• 基于ANSI-SQL的查询的Presto足迹。

上面讨论的Hive平台在计算上是“资源密集型的”。所以，维持这是一个巨大的挑战。因此，Facebook决定切换到Apache Spark框架来管理他们的数据。今天，Facebook已经通过集成Spark为实体排名系统部署了一条更快的可管理管道。

 

安全

Spark的安全性仍在不断发展，因为它目前只支持通过共享密钥进行身份验证（密码身份验证）。甚至Apache Spark的官方网站声称，“存在许多不同类型的安全问题。Spark并不一定能防范所有事情。“

另一方面，Hadoop具有以下安全功能：Hadoop身份验证，Hadoop授权，Hadoop审计和Hadoop加密。所有这些都与Knox Gateway和Sentry等Hadoop安全项目集成在一起。

一句话：在Hadoop vs Spark Security的战斗中，Spark比Hadoop安全一点。但是，在将Spark与Hadoop集成时，Spark可以使用Hadoop的安全功能。

成本

首先，Hadoop和Spark都是开源框架，因此免费提供。两者都使用商用服务器，在云上运行，似乎有一些类似的硬件要求：

 

那么，如何根据成本对它们进行评估呢？

请注意，Spark利用大量RAM来运行内存中的所有内容。鉴于RAM的价格高于硬盘，这可能会影响成本。

另一方面，Hadoop受磁盘限制。因此，您购买昂贵RAM的成本得以节省。但是，Hadoop需要更多系统来分发磁盘I / O.

因此，在比较Spark和Hadoop框架的成本参数时，组织将不得不考虑他们的要求。

如果需求倾向于处理大量的大型历史数据，Hadoop是继续选择的选择，因为硬盘空间的价格远低于内存空间。

另一方面，当我们处理实时数据选项时，Spark可以具有成本效益，因为它使用较少的硬件以更快的速度执行相同的任务。

结论：在Hadoop与Spark成本之争中，Hadoop肯定会降低成本，但当组织必须处理较少量的实时数据时，Spark才具有成本效益。

便于使用

Spark框架的最大USP之一是其易用性。Spark为Scala Java，Python和Spark SQL（也称为Shark）提供了用户友好且舒适的API。

Spark的简单构建块使编写用户定义的函数变得容易。此外，由于Spark允许批处理和机器学习，因此简化数据处理的基础设施变得容易。它甚至包括一个交互模式，用于运行具有即时反馈的命令。

Hadoop是用Java编写的，并且在为没有交互模式编写程序的困难铺平道路方面声名狼借。虽然Pig（附加工具）使编程更容易，但是需要一些时间来学习语法。

结论：在'易用性'Hadoop vs Spark之战中，他们都有自己的方式让自己对用户友好。但是，如果我们必须选择一个，Spark更容易编程并包含交互模式。

Apache Hadoop和Spark有可能建立协同关系吗？

是的，这是非常可能的，我们推荐它。让我们深入了解它们如何协同工作。

Apache Hadoop生态系统包括HDFS，Apache Query和HIVE。让我们看看Apache Spark如何利用它们。

Apache Spark和HDFS的融合

Apache Spark的目的是处理数据。但是，为了处理数据，引擎需要从存储器输入数据。为此，Spark使用HDFS。（这不是唯一的选择，但是最受欢迎的选择，因为Apache是​​两者背后的大脑）。

Apache Hive和Apache Spark的混合体

Apache Spark和Apache Hive高度兼容，它们可以解决许多业务问题。

例如，假设企业正在分析消费者行为。现在，为此，该公司将需要从各种来源收集数据，如社交媒体，评论，点击流数据，客户移动应用程序等等。

组织可以利用HDFS存储数据，Apache hive作为HDFS和Spark之间的桥梁。

优步及其合并方法

 

优步使用Spark和Hadoop

为了处理消费者数据，优步使用了Spark和Hadoop的组合。它使用实时交通情况在特定时间和地点提供驾驶员。为了实现这一目标，优步使用HDFS将原始数据上传到Hive和Spark，以处理数十亿个事件。

虽然Spark快速且易于使用，但Hadoop具有强大的安全性，庞大的存储容量和低成本的批处理功能。选择一个中的一个完全取决于您的项目的要求。两者的结合将产生一种无敌的组合。

混合Spark的一些属性和一些Hadoop来提出一个全新的框架：Spoop。