推荐阅读 https://0x0fff.com/spark-misconceptions/
spark的作者Matei Zaharia在投稿其论文的时候,曾被reviewer批评不过是“in-memory hadoop”,而在博文中,博文作者(下文中“作者”均指代博文作者Alexey Grishchenko)又驳斥了下述三个流传甚广的结论:
- Spark is an in-memory technology
- Spark performs 10x-100x faster than Hadoop
- Spark introduces completely new approach for data processing on the market
下面,就针对这个“misconception”谈一谈个人的理解
In-Memory Technology
对于in-memory这一点,先谈一点“佐证”的几点个人印象,spark中有*persist()*操作可以供选择是存储在内存或者是硬盘中,具体有以下几种选项(图来自《Spark快速大数据分析》):
hadoop中shuffle操作是需要将数据先写到磁盘中,后续操作再从磁盘中拉取数据到一个节点上。Spark也存在shuffle spill的现象,也就是