Spark和Hadoop的架构区别解读

总的来说，Spark采用更先进的架构，使得灵活性、易用性、性能等方面都比Hadoop更有优势，有取代Hadoop的趋势，但其稳定性有待进一步提高。我总结，具体表现在如下几个方面。

A：

• Hadoop： MapRedcue由Map和Reduce两个阶段，并通过shuffle将两个阶段连接起来的。但是套用MapReduce模型解决问题，不得不将问题分解为若干个有依赖关系的子问题，每个子问题对应一个MapReduce作业，最终所有这些作业形成一个DAG。

• Spark： 是通用的DAG框架，可以将多个有依赖关系的作业转换为一个大的DAG。核心思想是将Map和Reduce两个操作进一步拆分为多个元操作，这些元操作可以灵活组合，产生新的操作，并经过一些控制程序组装后形成一个大的DAG作业。

A：

• Hadoop： 在DAG中，由于有多个MapReduce作业组成，每个作业都会从HDFS上读取一次数据和写一次数据(默认写三份)，即使这些MapReduce作业产生的数据是中间数据也需要写HDFS。这种表达作业依赖关系的方式比较低效，会浪费大量不必要的磁盘和网络IO，根本原因是作业之间产生的数据不是直接流动的，而是借助HDFS作为共享数据存储系统。

• Spark： 在Spark中，使用内存(内存不够使用本地磁盘)替代了使用HDFS存储中间结果。对于迭代运算效率更高。

A：

• Hadoop： 只提供了Map和Reduce两种操作所有的作业都得转换成Map和Reduce的操作。

• Spark： 提供很多种的数据集操作类型比如Transformations 包括map, filter, flatMap, sample, groupByKey, reduceByKey, union, join, cogroup, mapValues,sort,partionBy等多种操作类型，还提供actions操作包括Count,collect, reduce, lookup, save等多种。这些多种多样的数据集操作类型，给开发上层应用的用户提供了方便。

A：

• A list of partitions： 一个分区列表，RDD中的数据都存储在一个分区列表中

• A function for computing each split： 作用在每一个分区中的函数

• A list of dependencies on other RDDs： 一个RDD依赖于其他多个RDD，这个点很重要，RDD的容错机制就是依据这个特性而来的

• Optionally,a Partitioner for key-value RDDs(eg:to say that the RDD is hash-partitioned)： 可选的，针对于kv类型的RDD才有这个特性，作用是决定了数据的来源以及数据处理后的去向

可选项，数据本地性，数据位置最优

• A：map ：用于遍历RDD，将函数应用于每一个元素，返回新的RDD(transformation算子)

• foreach： 用于遍历RDD，将函数应用于每一个元素，无返回值(action算子)

• mapPatitions ：用于遍历操作RDD中的每一个分区，返回生成一个新的RDD(transformation算子)

• foreachPatition： 用于遍历操作RDD中的每一个分区，无返回值(action算子)

• 总结 ：一般使用mapPatitions和foreachPatition算子比map和foreach更加高效，推荐使用。