一说大数据,人们往往想到 Hadoop。这固然不错,但随着大数据技术的深入应用,多种类型的数据应用不断被要求提出,一些 Hadoop 被关注的范畴开始被人们注意,相关技术也迅速获得专业技术范畴的应用。最近半年来的 Spark 之热就是典型例子。
Spark 是一个基于 RAM 计算的开源码 ComputerCluster 运算系统,目的是更快速地进行数据分析。Spark 早期的核心部分代码只有 3 万行。Spark 提供了与 HadoopMap/Reduce 相似的分散式运算框架,但基于 RAM 和优化设计,因此在交换式数据分析和 datamining 的 Workload 中表现不错。
进入 2014 年以后,Spark 开源码生态系统大幅增长,已成为大数据范畴最活跃的开源码项目之一。Spark 之所以有如此多的关注,塬因主要是因为 Spark 具有的高性能、高灵活性、与 Hadoop 生态系统完美融合等叁方面的特点。
首先,Spark 对分散的数据集进行抽样,创新地提出 RDD (ResilientDistributedDataset)的概念,所有的统计分析任务被翻译成对 RDD 的基本操作组成的有向无环图(DAG)。RDD 可以被驻留在 RAM 中,往后的任务可以直接读取 RAM 中的数据;同时分析 DAG 中任务之间的依赖性可以把相邻的任务合并,从而减少了大量不准确的结果输出,极大减少了 HarddiskI/O,使复杂数据分析任务更高效。从这个推算,如果任务够复杂,Spark 比 Map/Reduce 快一到两倍。
其次,Spark 是一个灵活的运算框架,适合做批次处理、工作流、交互式分析、流量处理等不同类型的应用,因此 Spark 也可以成为一个用途广泛的运算引擎,并在未来取代 Map/Reduce 的地
最后,Spark 可以与 Hadoop 生态系统的很多组件互相操作。Spark 可以运行在新一代资源管理框架 YARN 上,它还可以读取已有并存放在 Hadoop 上的数据,这是个非常大的优势。
虽然 Spark 具有以上叁大优点,但从目前 Spark 的发展和应用现状来看,Spark 本身也存在很多缺陷,主要包括以下几个方面:
虽然 Spark 活跃在 Cloudera、MapR、Hortonworks 等众多知名大数据公司,但是如果 Spark 本身的缺陷得不到及时处理,将会严重影响 Spark 的普及和发展。