哪個大數(shù)據(jù)框架更適合你？

來自四面八方的數(shù)據(jù)席卷而來，將我們裹挾進(jìn)去。。隨著數(shù)據(jù)每兩年翻一番，數(shù)字宇宙正以飛快的速度追趕物理宇宙。據(jù)估計，到2020年，數(shù)字宇宙將達(dá)到44澤塔字節(jié)——其數(shù)字位的數(shù)量相當(dāng)于宇宙中恒星的數(shù)量。

數(shù)據(jù)還在不斷增加，我們壓根無法擺脫。為了消化這些所有的數(shù)據(jù)，市場上的分布式系統(tǒng)越來越多。在這些系統(tǒng)中，Hadoop和Spark經(jīng)常作為直接競爭對手相互競爭。

在決定這兩個框架中哪個更適合你時，我們需要根據(jù)幾個基本參數(shù)對它們進(jìn)行比較。

性能

Spark的速度非?？?，已經(jīng)優(yōu)于Hadoop框架。它在內(nèi)存和磁盤上的運行速度分別比Hadhoop快100倍和10倍。此外，它對100 TB數(shù)據(jù)的排序速度是Hadoop的3倍。

Spark如此之快是因為它處理內(nèi)存中的所有東西。由于Spark的內(nèi)存處理，它提供了對營銷活動、物聯(lián)網(wǎng)傳感器、機器學(xué)習(xí)和社交媒體網(wǎng)站數(shù)據(jù)的實時分析。

然而，如果Spark和其他共享服務(wù)在YARN上運行，它的性能可能會下降。這可能導(dǎo)致RAM內(nèi)存泄漏。另一方面，Hadoop則很容易處理這個問題。如果用戶傾向于批處理，Hadoop要比Spark高效得多。

底線：Hadoop和Spark都有不同的處理方法。因此，是繼續(xù)使用Hadoop還是Spark完全取決于項目的需求。

Facebook及其與Spark框架的過渡之旅

Facebook上的數(shù)據(jù)每秒鐘都在增長。為了處理并利用這些數(shù)據(jù)，F(xiàn)acebook使用了分析技術(shù)。為此，它利用了以下幾個平臺：

Hive平臺來執(zhí)行Facebook的一些批量分析。

用于自定義MapReduce實現(xiàn)的Corona平臺。

對于基于ansi - sql的查詢，很快就會占用內(nèi)存。

上面討論的Hive平臺在計算上是“資源密集型”的。所以，維護(hù)它挑戰(zhàn)巨大。因此，F(xiàn)acebook決定改用Apache Spark框架來管理他們的數(shù)據(jù)。今天，F(xiàn)acebook通過集成Spark為實體排名系統(tǒng)部署了一個更快的可管理管道。

安全

Spark的安全性問題仍在不斷發(fā)展，因為它目前只支持通過共享（密碼身份驗證）進(jìn)行身份驗證。Apache Spark的官方網(wǎng)站也聲稱，“因為存在許多不同類型的安全問題，Spark并不一定能保護(hù)所有的數(shù)據(jù)。”

Hadoop則具有以下安全特性：Hadoop身份驗證、Hadoop授權(quán)、Hadoop審計和Hadoop加密。所有這些都與Hadoop安全項目集成，如Knox Gateway和Sentry。

底線：在Hadoop與Spark的安全大戰(zhàn)中，Spark的安全性比Hadoop稍差。但是，在與Hadoop集成Spark之后，Spark可以使用Hadoop的安全特性。

成本

首先，Hadoop和Spark都是開源框架，因此都是免費的。兩者都使用普通服務(wù)器，運行在云上，并且似乎有一些相似的硬件需求：

那么，如何在成本的基礎(chǔ)上進(jìn)行評估呢？

請注意，Spark使用大量RAM在內(nèi)存中運行所有數(shù)據(jù)。考慮到RAM的價格高于硬盤，這可能會影響成本。

另一方面，Hadoop是磁盤綁定的。這樣，就能夠節(jié)省購買昂貴RAM的成本。然而，Hadoop需要更多的系統(tǒng)來分發(fā)磁盤I/O。

因此，在比較Spark和Hadoop框架的成本參數(shù)時，必須考慮它們的需求。

如果需求傾向于處理大量的大型歷史數(shù)據(jù)，Hadoop是繼續(xù)使用的最佳選擇，因為硬盤空間的價格要比內(nèi)存空間便宜得多。

另一方面，當(dāng)我們處理實時數(shù)據(jù)的選項時，Spark可以節(jié)省成本，因為它使用的硬件少，能以更快的速度執(zhí)行相同的任務(wù)。

底線：在Hadoop與Spark成本之爭中，Hadoop的成本肯定更低，但當(dāng)企業(yè)不得不處理更低數(shù)量的實時數(shù)據(jù)時，Spark是很劃算的。

易用性

Spark框架最大的USPs之一是它的易用性。Spark為Scala Java、Python和Spark SQL（也稱為Shark）提供了友好而舒適的api。

Spark的簡單構(gòu)建塊使編寫用戶定義函數(shù)變得很容易。此外，由于Spark支持批處理和機器學(xué)習(xí)，因此很容易簡化數(shù)據(jù)處理的基礎(chǔ)設(shè)施。它包括一個交互式模式，用于運行帶有即時反饋的命令。

Hadoop是用Java編寫的，在編寫沒有交互模式的程序時，是編寫程序絆腳石。雖然Pig（一個附加工具）使編程更容易，但它需要一些時間來學(xué)習(xí)語法。

一句話：在Hadoop與Spark的“易用性”之爭中，兩者都有自己的用戶友好方式。然而，如果我們必須選擇一個，Spark更容易編程并包含交互模式。

Apache Hadoop和Spark有可能實現(xiàn)協(xié)同關(guān)系嗎？

是的，這是非常有可能的，所以我們推薦它。讓我們詳細(xì)了解一下它們?nèi)绾螀f(xié)同工作。

Apache Hadoop生態(tài)系統(tǒng)包括HDFS、Apache Query和HIVE。讓我們看看Apache Spark如何使用它們。

Apache Spark和HDFS的合并

Apache Spark的目的是處理數(shù)據(jù)。但是，為了處理數(shù)據(jù)，引擎需要從存儲中輸入數(shù)據(jù)。為此，Spark使用HDFS。（這不是唯一的選擇，但卻是最流行的選擇，因為Apache是它們背后的大腦）。

Apache Hive和Apache Spark的混合

Apache Spark和Apache Hive是高度兼容的，它們可以一起解決許多業(yè)務(wù)問題。

例如，假設(shè)一個企業(yè)正在分析消費者行為?，F(xiàn)在，該公司需要從各種來源收集數(shù)據(jù)，如社交媒體、評論、點擊流數(shù)據(jù)、客戶移動應(yīng)用程序等等。

企業(yè)就可以使用HDFS存儲數(shù)據(jù)，Apache hive作為HDFS和Spark之間的橋梁。

Uber及其合并的方式

為了處理消費者數(shù)據(jù)，Uber結(jié)合了Spark和Hadoop。它使用實時交通狀況來提供特定時間和地點的司機。為了實現(xiàn)這一目標(biāo)，Uber使用HDFS將原始數(shù)據(jù)上傳至Hive，并使用Spark處理數(shù)十億個事件。

Hadoop vs Spark：贏家是……

雖然Spark快速易用，但Hadoop的安全性、巨大的存儲容量和低成本的批處理能力更勝一籌。從兩個選項中選擇一個完全取決于項目的需求。兩者的結(jié)合將產(chǎn)生一個不可戰(zhàn)勝的組合。