spark 与 mapreduce 对比

Spark 为什么比 MapReduce 快总结

首先澄清几个误区：

    1）两者都是基于内存计算的，任何计算框架都肯定是基于内存的，所以说网上所说的 Spark 是基于内存计算所以快，显然是错误的。

    2）DAG 计算模型减少的是磁盘 1/0 次数（相比于 MapReduce 计算模型而言），而不是shuffle次数，因为 shuffle 是根据数据重组的数次而定，所以 shufle 次数不能减少。

所以总结 Spark 比MapReduce 快的原因有以下几点：

    1）DAG 相比Hadoop 的MapReduce 在大多数情况下可以减少磁盘1/0次数。因为 MapReduce 计算模型只能包含一个Map 和一个Reduce，所以 Reduce 完后必须进行落盘，而DAG 可以连续 shuffle 的，也就是说一个 DAG 可以完成好几个MapReduce,所以DAG 只需要在最后一次reduce 落盘，这就比mapreduce少了，总shuffle 次数越多，减少的落盘次数越多。

    2）Spark shuffle 的优化。MapReduce 在 Shuffle 时默认进行排序。Spark 在Shuffle 时则只有部分场景才需要排序 (bypass 机制不需要排序）。排序是非常耗时的，这样就可以加快 shuffle 速度。。

    3)Spark 支持将需要反复用到的数据进行缓存。所以对于下次再次使用此 RDD时，不用再次计算，而是直接从缓存中获取，因此可以减少数据加口载耗时，所以更适合需要迭代计算的机器学习算法。

    4）任务级别井行度上的不同。MapReduce 采用了多进程模型，而 Spark 采用了多线程模型。多进程模型的好处是便于细粒度控制每个任务占用的资源，但每次任务的启动都会消耗一定的启动时间，即MapReduce 的Map Task和Reduce Task是进程级别的，都是 jvm 进程，每次启动都需要重新申请资源，消耗了不必要的时间。而 Spark Task 则是基于线程模型的，通过复用线程池中的线程来减少启动关闭 task 所需要的开销。（多线程模型也有缺点，由于同节点上所有任务运行在一个进程中，因此，会出现严重的资源争用，难以细粒度控制每个任务占用资源)