spark為什么比mapreduce快？

首先澄清幾個(gè)誤區(qū)：

1：兩者都是基于內(nèi)存計(jì)算的，任何計(jì)算框架都肯定是基于內(nèi)存的，所以網(wǎng)上說(shuō)的spark是基于內(nèi)存計(jì)算所以快，顯然是錯(cuò)誤的

2;DAG計(jì)算模型減少的是磁盤I/O次數(shù)（相比于mapreduce計(jì)算模型而言），而不是shuffle次數(shù)，因?yàn)閟huffle是根據(jù)數(shù)據(jù)重組的次數(shù)而定，所以shuffle次數(shù)不能減少

所以總結(jié)spark比mapreduce快的原因有以下幾點(diǎn)：

1：DAG相比hadoop的mapreduce在大多數(shù)情況下可以減少磁盤I/O次數(shù)

因?yàn)閙apreduce計(jì)算模型只能包含一個(gè)map和一個(gè)reduce,所以reduce完后必須進(jìn)行落盤，而DAG可以連續(xù)shuffle的，也就是說(shuō)一個(gè)DAG可以完成好幾個(gè)

mapreduce，所以dag只需要在最后一個(gè)shuffle落盤，就比mapreduce少了，總shuffle次數(shù)越多，減少的落盤次數(shù)就越多

2：spark shuffle 的優(yōu)化

mapreduce在shuffle時(shí)默認(rèn)進(jìn)行排序，spark在shuffle時(shí)則只有部分場(chǎng)景才需要排序（bypass技師不需要排序），排序是非常耗時(shí)的，這樣就可以加快shuffle速度

3：spark支持將需要反復(fù)用到的數(shù)據(jù)進(jìn)行緩存

所以對(duì)于下次再次使用此rdd時(shí)，不再再次計(jì)算，而是直接從緩存中獲取，因此可以減少數(shù)據(jù)加載耗時(shí)，所以更適合需要迭代計(jì)算的機(jī)器學(xué)習(xí)算法

4：任務(wù)級(jí)別并行度上的不同

mapreduce采用多進(jìn)程模型，而spark采用了多線程模型，多進(jìn)程模型的好處是便于細(xì)粒度控制每個(gè)任務(wù)占用的資源，但每次任務(wù)的啟動(dòng)都會(huì)消耗一定的啟動(dòng)時(shí)間，即mapreduce的map task 和reduce task是進(jìn)程級(jí)別的，都是jvm進(jìn)程，每次啟動(dòng)都需要重新申請(qǐng)資源，消耗不必要的時(shí)間，而spark task是基于線程模型的，通過(guò)復(fù)用線程池中的線程來(lái)減少啟動(dòng)，關(guān)閉task所需要的開(kāi)銷（多線程模型也有缺點(diǎn)，由于同節(jié)點(diǎn)上所有任務(wù)運(yùn)行在一個(gè)進(jìn)行中，因此，會(huì)出現(xiàn)嚴(yán)重的資源爭(zhēng)用，難以細(xì)粒度控制每個(gè)任務(wù)占用資源）

審核編輯 黃宇