總的來說，Spark采用更先進的架構，使得靈活性、易用性、性能等方面都比Hadoop更有優勢，有取代Hadoop的趨勢，但其穩定性有待進一步提高。我總結，具體表現在如下幾個方面。

Q：Spark和Hadoop的架構區別

A：

• Hadoop:MapRedcue由Map和Reduce兩個階段，并通過shuffle將兩個階段連接起來的。但是套用MapReduce模型解決問題，不得不將問題分解為若干個有依賴關系的子問題，每個子問題對應一個MapReduce作業，最終所有這些作業形成一個DAG。
• Spark:是通用的DAG框架，可以將多個有依賴關系的作業轉換為一個大的DAG。核心思想是將Map和Reduce兩個操作進一步拆分為多個元操作，這些元操作可以靈活組合，產生新的操作，并經過一些控制程序組裝后形成一個大的DAG作業。

Q：Spark和Hadoop的中間計算結果處理區別

A：

• Hadoop:在DAG中，由于有多個MapReduce作業組成，每個作業都會從HDFS上讀取一次數據和寫一次數據(默認寫三份)，即使這些MapReduce作業產生的數據是中間數據也需要寫HDFS。這種表達作業依賴關系的方式比較低效，會浪費大量不必要的磁盤和網絡IO，根本原因是作業之間產生的數據不是直接流動的，而是借助HDFS作為共享數據存儲系統。
• Spark：在Spark中，使用內存(內存不夠使用本地磁盤)替代了使用HDFS存儲中間結果。對于迭代運算效率更高。

Q：Spark和Hadoop的操作模型區別

A：

• Hadoop：只提供了Map和Reduce兩種操作所有的作業都得轉換成Map和Reduce的操作。
• Spark：提供很多種的數據集操作類型比如Transformations 包括map, filter, flatMap, sample, groupByKey, reduceByKey, union, join, cogroup, mapValues,sort,partionBy等多種操作類型，還提供actions操作包括Count,collect, reduce, lookup, save等多種。這些多種多樣的數據集操作類型，給開發上層應用的用戶提供了方便。

Q：spark中的RDD是什么，有哪些特性?

A：

• A list of partitions：一個分區列表，RDD中的數據都存儲在一個分區列表中
• A function for computing each split：作用在每一個分區中的函數
• A list of dependencies on other RDDs：一個RDD依賴于其他多個RDD，這個點很重要，RDD的容錯機制就是依據這個特性而來的
• Optionally,a Partitioner for key-value RDDs(eg:to say that the RDD is hash-partitioned)：可選的，針對于kv類型的RDD才有這個特性，作用是決定了數據的來源以及數據處理后的去向
• 可選項，數據本地性，數據位置最優

Q：概述一下spark中的常用算子區別(map,mapPartitions，foreach，foreachPatition)

A：map：用于遍歷RDD，將函數應用于每一個元素，返回新的RDD(transformation算子)

foreach：用于遍歷RDD，將函數應用于每一個元素，無返回值(action算子)

mapPatitions：用于遍歷操作RDD中的每一個分區，返回生成一個新的RDD(transformation算子)

foreachPatition：用于遍歷操作RDD中的每一個分區，無返回值(action算子)

總結：一般使用mapPatitions和foreachPatition算子比map和foreach更加高效，推薦使用。

當前標題：Spark和Hadoop的架構區別解讀
分享網址：http://www.2m8n56k.cn/news46/98896.html

成都網站建設公司_創新互聯，為您提供做網站、網站改版、Google、用戶體驗、自適應網站、網站維護

廣告

聲明：本網站發布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯系客服。電話：028-86922220；郵箱：[email protected]。內容未經允許不得轉載，或轉載時需注明來源： 創新互聯