Spark_1 Spark与MapReduce对比

MapReduce的缺陷

操作复杂

开发起来：因为MapReduce只有map、reduce两种算子。
1. low-level 低级别的。
2. constrained 有很多限制 （虽然可以使用一些类似Hive之类的框架来弥补）
并且单元测试也很麻烦

计算效率低

1. MapReduce是属于进程级别:MapTask ReduceTask
   虽然有JVM复用，但还是效率不高

2. 频繁的IO: 因为MapReduce的作业一般都是串起来的作业，chain，一个作业的输出作为下一个作业的输入…并且作业的数据一般都会存储在HDFS上，这样会有频繁的磁盘和网络的IO。数据落地的话，是需要三个副本的。

3. MapReduce的所有任务都需要序列化
   排序：MapReduce每个场景都需要排序的，但是很多时候都是没有必要的
   面试题：key类型是实现什么接口？
   writable 要执行序列化的 read方法和wirte方法
   writablecomparable 排序比较的

4. Memory:MapReduce基于内存做处理，但是是有限的

所以说MapReduce性能是很低的，迭代次数比较多的话，性能会不好

不适合迭代处理

数据挖掘，机器学习，图计算之类的，都需要很多迭代操作，所以不适合用 MapReduce 去做

不适合实时流式处理，只能离线处理

很多框架都各自为战，浪费了很多资源，开发也慢，运维也不方便

Spark的特点

综述：Spark is a fast and general engine for large-scale data processing（数据处理）
fast + general engine
fast体现在：
write code fast :Java/Scala/Python/R并支持interactive shell；
run fast : memory / DAG / Thread Model /sort可以设置成无。

计算速度快

1. memory RDD cash
2. thread 基于线程
3. sort 可以设置的
4. pipeline（流水线） rdd.map.fliter…collect
   如果是MapReduce，maptask reducetask 遇到就执行，是立刻执行的
   而 spark 是将很多操作串起来，就是一张DAG图（有向无环图）
   rdd.map.fliter…这些操作再多是不会执行的，需要触发action操作才可以来执行。
   例如：rdd.map.fliter…collect
   遇见就执行，先执行map，读取写入操作完了，执行fliter，读取写入…
   而对于Spark来说，是基于rdd来计算的
   rdd里有分区，每一个操作都是载依赖，有action了，直接在这个分区（partition）中kaka就执行，就减少很多中间数据落地的操作（写入读取）

易于使用

使用Java，Scala，Python，R开发代码块+测试块

80+ high-level operator：80多种高级别的算子

nteractively 交互式命令行（测试快）

通用性

一站式处理（但是也不是万能的，只能解决一定场景的）
Combine SQL,streaming,and complex analytics
spark powers a stack of libraries including SQL and DataFrams,MLlib for machine learning,GraphX,and Spark Streaming.

Runs Everywhere

on Hadoop(Yarn),Mesos,standalone,or in the cloud
can access diverse data sources(访问各种数据源)
including HDFS,Cassdandra,HBase,S3(Amazon)
这些都是外部数据源，如果只是跑一个SQL在Spark之上，就太low了，主要就是外部数据源