首先spark是借鑑了mapreduce並在其基礎上發展起來的，繼承了其分布式計算的優點並改進了mapreduce
明顯的缺陷，但是二者也有不少的差異具體如下：
spark把運算的中間資料存放在記憶體，迭代計算效率更高；mapreduce的中間結果需要落地，需要儲存到磁碟，這樣必然會有磁碟io操做，影響效能。
spark容錯性高，它通過彈性分布式資料集rdd來實現高效容錯，rdd是一組分布式的儲存在節點記憶體中的唯讀性質的資料集，這些集合是彈性的，某一部分丟失或者出錯，可以通過整個資料集的計算流程的血緣關係來實現重建；mapreduce的話容錯可能只能重新計算了，成本較高。
spark更加通用，spark提供了transformation和action這兩大類的多個功能api，另外還有流式處理sparkstreaming模組、圖計算graphx等等；mapreduce只提供了map和reduce兩種操作，流計算以及其他
模組的支援比較缺乏。
spark框架和生態更為複雜，首先有rdd、血緣lineage、執行時的有向無環圖dag、stage劃分等等，很多時候spark作業都需要根據不同業務場景的需要進行調優已達到效能要求；mapreduce框架及其生態相對較為簡單，對效能的要求也相對較弱，但是執行較為穩定，適合長期後台執行。
mr執行在yarn上;
spark
(1) local：本地執行
(2) standalone：使用spark自帶的資源管理框架，執行spark的應用
(3) yarn：將spark應用類似mr一樣，提交到yarn上執行
(4) mesos：類似yarn的一種資源管理框架
總結，spark生態更為豐富，功能更為強大、效能更佳，適用範圍更廣；mapreduce更簡單、穩定性好、適合離線海量資料探勘計算。
參考部落格：
Spark和MapReduce的本質區別
1.mr只能做離線計算，如果實現複雜計算邏輯，乙個mr搞不定，就需要將多個mr按照先後順序連成一串，乙個mr計算完成後會將計算結果寫入到hdfs中，下乙個mr將上乙個mr的輸出作為輸入，這樣就要頻繁讀寫hdfs，網路io和磁碟io會成為效能瓶頸。從而導致效率低下。2.既可以做離線計算，有可以做實時計...
Spark與MapReduce的區別
spark中最核心的概念是rdd 彈性分布式資料集 近年來，隨著資料量的不斷增長，分布式集群平行計算 如mapreduce dryad等 被廣泛運用於處理日益增長的資料。這些設計優秀的計算模型大都具有容錯性好 可擴充套件性強 負載平衡 程式設計方法簡單等優點，從而使得它們受到眾多企業的青睞，被大多數...
spark相比MapReduce的優勢
spark 比hadoop快的原因 資料本地性 排程優化 傳輸優化，最主要的是基於記憶體計算和引入了dag。hadoop的計算結果在磁碟中，spark是在記憶體中 資料計算任務需要多個步驟時，hadoop需要引入oozie等工具，但是spark有dag hadoop中，每乙個job 的計算結果都會儲...