1、mapreduce磁盘 vs spark内存
其实Spark和MapReduce的计算都发生在内存中,区别在于:
- MapReduce:通常需要将计算的中间结果写入磁盘,然后还要读取磁盘,从而导致了频繁的磁盘IO。
- Spark:不需要每次将计算的中间结果写入磁盘,这得益于Spark的RDD(弹性分布式数据集,很强大)和DAG(有向无环图),其中DAG记录了job的stage以及在job执行过程中父RDD和子RDD之间的依赖关系。中间结果能够以RDD的形式存放在内存中,且能够从DAG中恢复,大大减少了磁盘IO。
2、MapReduce Shuffle vs Spark Shuffle
- MapReduce:在Shuffle时需要花费大量时间进行排序,排序在MapReduce的Shuffle中似乎是不可避免的;
- Spark:在Shuffle时则只有部分场景才需要排序,支持基于Hash的分布式聚合,更加省时
3、Mapreduce多进程模型 vs Spark多线程模型
- MapReduce:采用了多进程模型,多进程模型的好处是便于细粒度控制每个任务占用的资源,但每次任务的启动都会消耗一定的启动时间。mapreduce 中的 map 和 reduce 都是 jvm 进程,每次启动都需要重新申请资源,消耗了不必要的时间
- Spark:通过复用线程池中的线程来减少启动、关闭task所需要的开销。多线程模型也有缺点,由于同节点上所有任务运行在一个进程中,因此,会出现严重的资源争用,难以细粒度控制每个任务占用资源。