Hadoop和spark的性能有何区别。
如果说Hadoop是一家大型包工队，我们可以通过它组织人员进行合作，搬砖建造房屋，弊端在于速度较慢。
Spark是另一家包工队，成立时间较晚，但是他们搬砖更为灵活，可以实时交互地盖房子，工作效率比Hadoop快得多。
当Hadoop开始升级，指定调度专家YARN调度工人。Spark从多个仓库搬砖(HDFS，Cassandra,S3，HBase)，还允许不同专家如YARN/ MESOS对人员和任务进行调度。
当然，Spark和Hadoop团队进行合作，问题变得更加复杂。作为两个独立的包工队，二者都有着各自的优缺点和特定的业务用例。
因此，我们说Hadoop和spark的性能区别在于：
Spark在内存中运行速度比Hadoop快100倍，在磁盘上运行速度快10倍。众所周知，Spark在数量只有十分之一的机器上，对100TB数据进行排序的速度比Hadoop MapReduce快3倍。此外，Spark在机器学习应用中的速度同样更快，例如Naive Bayes和k-means。
Spark性能之所以比Hadoop更优，原因在于每次运行MapReduce任务时，Spark都不会受到输入输出的限制。事实证明，应用程序的速度要快得多。再有Spark的DAG可以在各个步骤之间进行优化。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诉求，Hadoop被认为是更高效的系统。
在这里我还是要推荐下我自己建的大数据学习交流qq裙：788483959 （大数据资料分享）， 裙 里都是学大数据开发的，如果你正在学习大数据 ，小编欢迎你加入，大家都是软件开发党，不定期分享干货（只有大数据开发相关的），包括我自己整理的一份最新的大数据进阶资料和高级开发教程，欢迎进阶中和进想深入大数据的小伙伴。大数据开发、数据分析与挖掘线上教学，免费试听！
网友评论