hadoop和apache spark究竟有什麼異同。
首先，hadoop和apache spark兩者都是大資料框架，但是各自存在的目的不盡相同。hadoop實質上更多是乙個分布式資料基礎設施: 它將巨大的資料集分派到乙個由普通計算機組成的集群中的多個節點進行儲存，意味著您不需要購買和維護昂貴的伺服器硬體。
同時，hadoop還會索引和跟蹤這些資料，讓大資料處理和分析效率達到前所未有的高度。spark，則是那麼乙個專門用來對那些分布式儲存的大資料進行處理的工具，它並不會進行分布式資料的儲存。
hadoop除了提供為大家所共識的hdfs分布式資料儲存功能之外，還提供了叫做mapreduce的資料處理功能。所以這裡我們完全可以拋開spark，使用hadoop自身的mapreduce來完成資料的處理。
相反，spark也不是非要依附在hadoop身上才能生存。但如上所述，畢竟它沒有提供檔案管理系統，所以，它必須和其他的分布式檔案系統進行整合才能運作。這裡我們可以選擇hadoop的hdfs,也可以選擇其他的基於雲的資料系統平台。但spark預設來說還是被用在hadoop上面的，畢竟，大家都認為它們的結合是最好的。
以下是天地會珠海分舵從網上摘錄的對mapreduce的最簡潔明瞭的解析:
我們要數圖書館中的所有書。你數1號書架，我數2號書架。這就是「map」。我們人越多，數書就更快。spark因為其處理資料的方式不一樣，會比mapreduce快上很多。mapreduce是分步對資料進行處理的: 」從集群中讀取資料，進行一次處理，將結果寫到集群，從集群中讀取更新後的資料，進行下一次的處理，將結果寫到集群，等等…「 booz allen hamilton的資料科學家kirk borne如此解析。現在我們到一起，把所有人的統計數加在一起。這就是「reduce」。
反觀spark，它會在記憶體中以接近「實時」的時間完成所有的資料分析：「從集群中讀取資料，完成所有必須的分析處理，將結果寫回集群，完成，」 born說道。spark的批處理速度比mapreduce快近10倍，記憶體中的資料分析速度則快近100倍。
如果需要處理的資料和結果需求大部分情況下是靜態的，且你也有耐心等待批處理的完成的話，mapreduce的處理方式也是完全可以接受的。
但如果你需要對流資料進行分析，比如那些來自於工廠的感測器收集回來的資料，又或者說你的應用是需要多重資料處理的，那麼你也許更應該使用spark進行處理。
兩者的災難恢復方式迥異，但是都很不錯。因為hadoop將每次處理後的資料都寫入到磁碟上，所以其天生就能很有彈性的對系統錯誤進行處理。
spark的資料物件儲存在分布於資料集群中的叫做彈性分布式資料集(rdd: resilient distributed dataset)中。「這些資料物件既可以放在記憶體，也可以放在磁碟，所以rdd同樣也可以提供完成的災難恢復功能，」borne指出。
寒假自學進度11
2，資料清洗 對熱詞資訊進行資料清洗，並採用自動分類技術生成自動分類計數生成資訊領域熱詞目錄。5，資料視覺化展示 用字元雲或熱詞圖進行視覺化展示 用關係圖標識熱詞之間的緊密程度。6，資料報告 可將所有熱詞目錄和名詞解釋生成 word 版報告形式匯出。再運用xpath獲取相應的位置的解釋，輸出即可。需...
寒假自學進度4
今天主要學習了spark執行基本流程rdd概念rdd 中的依賴關係spark劃分rdd 在 spark 架構中的執行過程 以及完成實驗一linux系統常用命令 spark執行基本流程 sparkcontext 會向資源管理器註冊並申 請執行 executor 的資源 2 資源管理器為 executo...
寒假自學進度1
今天主要學習了對spark的初步認識以及相應名詞的理解 包括spark特點 scala特性 bdas架構 spark元件的應用場景 spark基本概念 spark執行架構 spark架構設計的優點 spark各種概念之間的相互關係 hadoop 是基於磁碟的大資料計算框架 spark是基於記憶體計算...