数据时代，Hadoop和Spark,应该怎么选？

   

   面对Hadoop和Spark，我们应该怎么选择？

   Hadoop和Spark的选择是非常难的，Hadoop虽然已成为大数据技术的事实标准，但其本身还存在诸多缺陷，最主要的缺陷是其MapReduce计算模型延迟过高，无法胜任实时、快速计算的需求，因而只适用于离线批处理的应用场景。

     通过Hadoop的工作流程，可以发现Hadoop存在以下缺点，具体如下：

         1.表达能力有限，计算都必须要转化成Map和Reduce两个操作，但这并不适合所有的情况，难以描述复杂的数据处理过程。

         2.磁盘IO开销大，每次执行时都需要从磁盘读取数据，并且在计算完成后需要将中间结果写入到磁盘中，IO开销较大。

         3.延迟高，一次计算可能需要分解成一系列顺序执行的MapReduce任务，任务之间的衔接由于涉及到IO开销，会产生较高延迟。而且，在前一个任务执行完成之前，其他任务无法开始，因此难以胜任复杂，多阶段的计算任务。

      Spark在借鉴 Hadoop MapReduce优点的同时，很好地解决了MapReduce所面临的问题。相比于MapReduce,Spark主要有以下优点。

          1.Spark的计算模式也属于MapReduce,但不局限于Map和Reduce操作，还提供了多种数据集操作类型，编程模型比MapReduce更灵活。

          2.Spark提供了内存计算，中间结果直接放到内存中，带来了更高的迭代运算效率。

          3.Spark基于DAG的任务调度执行机制，要优于Mapreduce的迭代执行机制。

    Hadoop与Spark的执行流程经过对比，可以看到，Spark最大的特点就是将计算数据、中间结果都储存在内存中，大大减少了IO开销，因而Spark更适合于迭代运算比较多的数据挖掘与机器学习运算。

    尽管Spark相对于Hadoop而言具有较大优势，但Spark并不能完全替代Hadoop,主要用于替代Hadoop中的MapReduce计算模型