《大数据库》答案——第五章内存数据库Spark

本文为 对刘鹏著《大数据库》一书学习后对课后部分习题的个人理解，欢迎同学们与我讨论。

---

1. 简述Spark的定义。

Spark是基于内存计算的大数据并行计算框架。Spark基于内存计算，提高了在大数据环境下数据处理的实时性，同时保证了高容错性和高可伸缩性，允许用户将Spark部署在大量廉价硬件之上，形成集群。

2. 对比Spark和Hadoop，分别指出两者之间的区别。

• Spark是一个计算框架；Hadoop的两个核心组件是分布式计算框架MapReduce和分布式文件系统HDFS，Hadoop还包括在其生态系统上的其他系统，如HBase、Hive等。
• Spark是MapReduce的升级方案，其兼容HDFS、Hive等分布式存储层，可融入Hadoop的生态系统，以弥补缺失MapReduce的不足，与Hadoop的MapReduce相比，Spark有以下优势：

1. 中间结果不输出到磁盘上

   Spark提供了内存计算，可将中间结果放到内存中，对于迭代运算效率更高。Hadoop需要将计算的中间结果输出到磁盘中。

2. RDD方式对数据进行分区和处理

   Spark使用RDD（弹性分布式数据集）对数据进行分区和处理；Hadoop的MapReduce Schema on Read处理方式会引起较大的处理开销。
   RDD提供了一个抽象的数据架构，我们不必担心底层数据的分布式特性，只需将具体的应用逻辑表达为一系列转换处理，不同RDD之间