总结Spark比Hadoop快的原因

1. 消除了冗余的HDFS读写

Hadoop的每次shuffle都必须写到磁盘中，而Spark的shuffle不一定写到磁盘中，而是可以缓存到内存中，以便后续的其他迭代操作时直接使用。这样一来，如果任务复杂，需要很多次的shuffle才能完成，那么Hadoop读写磁盘文件时花费在IO上的时间就会大大增加。

2. 消除了冗余的MapReduce阶段

Hadoop的每次shuffle必将连接着一次完成MapReduce操作，而Spark基于RDD提供了丰富的算子操作，而且Spark的shuffle产生的数据可以缓存到内存中。

3.Spark对于JVM的优化

Hadoop的每次MapReduce操作，启动一个Task便会启动一次JVM，是基于进程的操作。而Spark的是基于线程的操作，只在启动Executor时启动一次JVM。每次执行一个Task，都是复用Executor中的线程(Executor中维护着一个线程池)。JVM的每次启动，都将会花费几秒甚至是十几秒的时间，如果Task多了，基于进程的Hadoop Task便会频繁的启动JVM，也就花费了大量启动JVM的时间。

但是，像select month_id,sum(salas) from T group by month_id这样的查询，只发生了一次shuffle操作（group by），Spark需要创建线程池，此时，Hive HQL的运行时间也许比Spark还要块。
结论：Spark快并不是绝地的，在某些情况下，也有MapReduce比Spark快的情况。主要得益与Spark对MapReduce操作的优化以及对JVM使用的优化。

文章参考：https://www.jianshu.com/p/6ca1421b3c47