大数据-计算引擎-Spark（四）：原生Spark（基于Scala语言）、Pyspark（使用Python定义的Api接口来调用底层Scala代码）对比

一、Spark计算框架介绍

Spark是UC Berkeley AMP lab (加州大学伯克利分校的AMP实验室)所开源的类Hadoop MapReduce的通用并行框架。

Spark拥有Hadoop MapReduce所具有的优点；但不同于MapReduce的是Job中间输出结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的MapReduce的算法。

Spark 是一种与 Hadoop 相似的开源集群计算环境，但是两者之间还存在一些不同之处，这些有用的不同之处使 Spark 在某些工作负载方面表现得更加优越，换句话说，Spark 启用了内存分布数据集，除了能够提供交互式查询外，它还可以优化迭代工作负载。

Spark 是在 Scala 语言中实现的，它将 Scala 用作其应用程序框架。

与 Hadoop 不同，Spark 和 Scala 能够紧密集成，其中的 Scala 可以像操作本地集合对象一样轻松地操作分布式数据集。

Spark底层由Scala和Java编写，现已提供多种 Api 供其它语言来操作Spark，如python、R语言。

二、原生Spark、Pyspark性能对比

1、准备工作

• 下载Scala，并在idea中创建meven工程，导入scala的SDK工具包，并导入相关依赖
• 在python中下载pyspark第三方包（注：pyspark3.×版本无法支持高版本的python，如python3.8，需降低pyspark版本或者降低python版本）
• 准备测试数据集

2、创建测试数据集

hadoop word
spark
flink spark
hive

3、scala编写wordcount

依赖包

<dependencies>
    <dependency>
        <groupId>org.apache.spark</groupId>
        <artifactId>spark-core_2.11</artifactId>
        <version>2.1.1</version>
    </dependency>
</dependencies>
##导入的依赖版本需要与自己安装的scala版本对应

import org.apache.spark.{
   SparkConf, SparkContext}

import java.util.Date

object wordcount {
   
  def main(