Spark与MapReduce 的对比
- 减少磁盘IO
MapReduce:基于磁盘。mapper的结果会存储到磁盘,reducer从磁盘读取数据,结果再存储到磁盘。
Spark:基于内存。中间结果存储到内存中。(实在存不下,才会将一部分存储到磁盘中) - 增加并行度
MapReduce:包含mapTask和reduceTask,每个Task便是一个进程。
Spark:每个Task是一个线程。
所以Spark任务可以并行进行。 - 避免重复计算
Spark计算的中间结果会保存到内存中,以供其他Task使用。(若多个task 使用,只需将结果调出即可,不用再计算一遍) - 可选的Shuffle、可选的排序
(1)可选的Shuffle
MapReduce使用通用(即所有的任务都一样)的Shuffle,即固定的Shuffle套路:Combiner Partitioner Sorter。
如果设置了Combiner会执行Combiner。
如果设置的ReducerTask的个数超过1,会执行Partitioner。
如果有Reducer阶段,那么Sorter的数据排序一定会执行。
.
Spark提供了四种Shuffle策略:HashShuffle、SortShuffle等。
(2)可选的排序
MapReduce如果有Reducer阶段,Sorter的数据排序一定会执行。
Spark:用户想排序就指定排序,否则不排序。 - 灵活的内存管理策略
要多少给多少。可以详细地分配哪个阶段,哪个组件使用多少内存。
内存溢出方面:
MapReduce:JVM启动时即指定了mapTask能够使用的内存,超出就OOM。
Spark:每个executor和每个task都会指定固定的内存,超出也可能出现OOM。但是Spark的任务线程,除了能使用JVM的内存,还可以使用操作系统的内存。