什么是Hadoop? Spark和Hadoop对比

每年，市场上都会出现种种不同的数据管理规模、类型与速度表现的分布式系统。在这些系统中，Spark和hadoop是获得最大关注的两个。然而该怎么判断哪一款适合你?

如果想批处理流量数据，并将其导入HDFS或使用Spark Streaming是否合理?如果想要进行机器学习和预测建模，Mahout或MLLib会更好地满足您的需求吗?

为了增加混淆，Spark和Hadoop经常与位于HDFS，Hadoop文件系统中的Spark处理数据一起工作。但是，它们都是独立个体，每一个体都有自己的优点和缺点以及特定的商业案例。

本文将从以下几个角度对Spark和Hadoop进行对比：体系结构，性能，成本，安全性和机器学习。

什么是Hadoop?

Hadoop在2006年开始成为雅虎项目，随后成为顶级的Apache开源项目。它是一种通用的分布式处理形式，具有多个组件：

HDFS(分布式文件系统)，它将文件以Hadoop本机格式存储，并在集群中并行化;

YARN，协调应用程序运行时的调度程序;

MapReduce，实际并行处理数据的算法。

Hadoop使用Java搭建，可通过多种编程语言访问，用于通过Thrift客户端编写MapReduce代码(包括Python)。

除了这些基本组件外，Hadoop还包括：

Sqoop，它将关系数据移入HDFS;

Hive，一种类似SQL的接口，允许用户在HDFS上运行查询;

Mahout，机器学习。

除了将HDFS用于文件存储之外，Hadoop现在还可以配置为使用S3存储桶或Azure blob作为输入。

它可以通过Apache发行版开源，也可以通过Cloudera(规模和范围最大的Hadoop供应商)，MapR或HortonWorks等厂商提供。

什么是Spark?

Spark是一个较新的项目，最初于2012年在加州大学伯克利分校的AMPLab开发。它也是一个顶级Apache项目，专注于在群集中并行处理数据，但最大的区别在于它在内存中运行。

鉴于Hadoop读取和写入文件到HDFS，Spark使用称为RDD，弹性分布式数据集的概念处理RAM中的数据。 Spark可以以独立模式运行，Hadoop集群可用作数据源，也可以与Mesos一起运行。在后一种情况下，Mesos主站将取代Spark主站或YARN以进行调度。

Spark是围绕Spark Core搭建的，Spark Core是驱动调度，优化和RDD抽象的引擎，并将Spark连接到正确的文件系统(HDFS，S3，RDBM或Elasticsearch)。有几个库在Spark Core上运行，包括Spark SQL，它允许在分布式数据集上运行类似SQL的命令，用于机器学习的MLLib，用于图形问题的GraphX以及允许连续流式传输的流式传输记录数据。

Spark有几个API。原始界面是用Scala编写的，基于数据科学家的大量使用，还添加了Python和R端点。 Java是编写Spark作业的另一种选择。

Databricks由也Spark创始人Matei Zaharia创建的，致力于提供基于 Spark 的云服务，可用于数据集成，数据管道等任务

1. 架构

Hadoop

首先，所有传入HDFS的文件都被分割成块。根据配置的块大小和复制因子，每个块在整个群集中被复制指定的次数。该信息被传递给NameNode，它跟踪整个集群中的所有内容。 NameNode将这些文件分配给一些数据节点，然后将这些文件写入其中。 2012年实施高可用性，允许NameNode故障转移到备份节点上，以跟踪群集中的所有文件。

MapReduce算法位于HDFS之上，由JobTracker组成。一旦应用程序以其中一种语言编写，Hadoop接受JobTracker，然后分配工作(可包括计算单词和清理日志文件的任何内容)，以便在存储在Hive仓库中的数据之上运行HiveQL查询)到侦听其他节点的TaskTracker。

YARN分配JobTracker加速并监控它们的资源，以提高效率。然后将所有来自MapReduce阶段的结果汇总并写入HDFS中的磁盘。

Spark

除了计算在内存中执行并在那里存储直到用户积极保存它们之外，Spark处理的工作方式与Hadoop类似。最初，Spark从HDFS，S3或其他文件存储中的文件读取到名为SparkContext的已建立机制。除此之外，Spark创建了一个名为RDD或弹性分布式数据集的结构，它表示一组可并行操作的元素的不可变集合。

随着RDD和相关操作的创建，Spark还创建了一个DAG或有向无环图，以便可视化DAG中的操作顺序和操作之间的关系。每个DAG都有阶段和步骤;通过这种方式，它与SQL中的解释计划类似。

您可以对RDD执行转换，中间步骤，操作或最终步骤。给定转换的结果进入DAG，但不会保留到磁盘，但操作的结果会将内存中的所有数据保留到磁盘。

Spark中的一个新抽象是DataFrames，它是在Spark 2.0中作为RDD的配套接口开发的。这两者非常相似，但DataFrames将数据组织成命名列，类似于Python的熊猫或R包。这使得它们比RDD更方便用户，RDD没有类似的一系列列级标题引用。 SparkSQL还允许用户像关系数据存储中的SQL表一样查询DataFrame。

2. 性能

发现Spark在内存中运行速度快100倍，在磁盘上运行速度快10倍。在十分之一的机器上，它也被用于对100 TB数据进行排序，比Hadoop MapReduce快3倍。特别发现Spark在机器学习应用中更快，例如朴素贝叶斯和k-means。

由处理速度衡量的Spark性能已经发现比Hadoop更优，原因如下：

每次运行MapReduce任务的选定部分时，Spark都不会受到输入输出问题的束缚。事实证明，应用程序的速度要快得多

Spark的DAG可以在步骤之间进行优化。 Hadoop在MapReduce步骤之间没有任何周期性连接，这意味着在该级别不会发生性能调整。

但是，如果Spark与其他共享服务在YARN上运行，则性能可能会降低并导致RAM开销内存泄漏。出于这个原因，如果用户有批处理的用例，Hadoop被认为是更高效的系统。

3. 成本

Spark和Hadoop都可以作为开源Apache项目免费获得，这意味着您可以以零安装成本运行它。但是，重要的是要考虑总体拥有成本，其中包括维护，硬件和软件购买以及雇用了解群集管理的团队。内部安装的一般经验法则是Hadoop需要更多的磁盘内存，而Spark需要更多的内存，这意味着设置Spark集群可能会更加昂贵。此外，由于Spark是较新的系统，因此它的专家更为稀少，而且成本更高。另一种选择是使用供应商进行安装，例如Cloudera for Hadoop或Spark for DataBricks，或使用AWS在云中运行EMR / Mapreduce流程。

由于Hadoop和Spark是串联运行的，即使在配置为在安装Spark的情况下运行的EMR实例上，也可以将提取定价比较分离出来。对于非常高级别的比较，假设您为Hadoop选择计算优化的EMR群集，最小实例c4.large的成本为每小时0.026美元。 Spark最小的内存优化集群每小时成本为0.067美元。因此，Spark每小时更昂贵，但对计算时间进行优化，类似的任务应该在Spark集群上花费更少的时间。

4. 安全性

Hadoop具有高度容错性，因为它旨在跨多个节点复制数据。每个文件都被分割成块，并在许多机器上复制无数次，以确保如果单台机器停机，可以从别处的其他块重建文件。

Spark的容错主要是通过RDD操作来实现的。最初，静态数据存储在HDFS中，通过Hadoop的体系结构进行容错。随着RDD的建立，谱系也是如此，它记住了数据集是如何构建的，并且由于它是不可变的，如果需要可以从头开始重建。跨Spark分区的数据也可以基于DAG跨数据节点重建。数据在执行器节点之间复制，如果执行器和驱动程序之间的节点或通信失败，通常可能会损坏数据。

Spark和Hadoop都可以支持Kerberos身份验证，但Hadoop对HDFS具有更加细化的安全控制。 Apache Sentry是一个用于执行细粒度元数据访问的系统，是另一个专门用于HDFS级别安全性的项目。

Spark的安全模型目前很少，但允许通过共享密钥进行身份验证。

5. 机器学习

Hadoop使用Mahout来处理数据。 Mahout包括集群，分类和基于批处理的协作过滤，所有这些都在MapReduce之上运行。目前正在逐步推出支持Scala支持的DSL语言Samsara，允许用户进行内存和代数操作，并允许用户编写自己的算法。

Spark有一个机器学习库MLLib，用于内存迭代机器学习应用程序。它可用于Java，Scala，Python或R，包括分类和回归，以及通过超参数调整构建机器学习管道的能力。

总结

那么它是Hadoop还是Spark?这些系统是目前市场上处理数据最重要的两个分布式系统。 Hadoop主要用于使用MapReduce范例的大规模磁盘操作，而Spark则是一种更灵活，但成本更高的内存处理架构。两者都是Apache的顶级项目，经常一起使用，并且有相似之处，但在决定使用它们时，了解每个项目的特征是非常重要的。