最近幾年關(guān)于Apache Spark框架的聲音是越來越多，而且慢慢地成為大數(shù)據(jù)領(lǐng)域的主流系統(tǒng)。最近幾年Apache Spark和Apache Hadoop的Google趨勢(shì)可以證明這一點(diǎn)：

上圖已經(jīng)明顯展示出最近五年，Apache Spark越來越受開發(fā)者們的歡迎，大家通過Google搜索更多關(guān)于Spark的信息。然而很多人對(duì)Apache Spark的認(rèn)識(shí)存在誤解，在這篇文章中，將介紹我們對(duì)Apache Spark的幾個(gè)主要的誤解，以便給那些想將Apache Spark應(yīng)用到其系統(tǒng)中的人作為參考。這里主要包括以下幾個(gè)方面：

• Spark是一種內(nèi)存技術(shù);
• Spark要比Hadoop快 10x-100x;
• Spark在數(shù)據(jù)處理方面引入了全新的技術(shù)

誤解一：Spark是一種內(nèi)存技術(shù)

大家對(duì)Spark***的誤解就是其是一種內(nèi)存技術(shù)(in-memory technology)。其實(shí)不是這樣的!沒有一個(gè)Spark開發(fā)者正式說明這個(gè)，這是對(duì)Spark計(jì)算過程的誤解。

我們從頭開始說明。什么樣的技術(shù)才能稱得上是內(nèi)存技術(shù)?在我看來，就是允許你將數(shù)據(jù)持久化(persist)在RAM中并有效處理的技術(shù)。然而Spark并不具備將數(shù)據(jù)數(shù)據(jù)存儲(chǔ)在RAM的選項(xiàng)，雖然我們都知道可以將數(shù)據(jù)存儲(chǔ)在HDFS, Tachyon, HBase, Cassandra等系統(tǒng)中，但是不管是將數(shù)據(jù)存儲(chǔ)在磁盤還是內(nèi)存，都沒有內(nèi)置的持久化代碼( native persistence code)。它所能做的事就是緩存(cache)數(shù)據(jù)，而這個(gè)并不是數(shù)據(jù)持久化(persist)。已經(jīng)緩存的數(shù)據(jù)可以很容易地被刪除，并且在后期需要時(shí)重新計(jì)算。

但是即使有這些信息，仍然有些人還是會(huì)認(rèn)為Spark就是一種基于內(nèi)存的技術(shù)，因?yàn)镾park是在內(nèi)存中處理數(shù)據(jù)的。這當(dāng)然是對(duì)的，因?yàn)槲覀儫o法使用其他方式來處理數(shù)據(jù)。操作系統(tǒng)中的API都只能讓你把數(shù)據(jù)從塊設(shè)備加載到內(nèi)存，然后計(jì)算完的結(jié)果再存儲(chǔ)到塊設(shè)備中。我們無法直接在HDD設(shè)備上計(jì)算;所以現(xiàn)代系統(tǒng)中的所有處理基本上都是在內(nèi)存中進(jìn)行的。

雖然Spark允許我們使用內(nèi)存緩存以及LRU替換規(guī)則，但是你想想現(xiàn)在的RDBMS系統(tǒng)，比如Oracle 和 PostgreSQL，你認(rèn)為它們是如何處理數(shù)據(jù)的?它們使用共享內(nèi)存段(shared memory segment)作為table pages的存儲(chǔ)池，所有的數(shù)據(jù)讀取以及寫入都是通過這個(gè)池的，這個(gè)存儲(chǔ)池同樣支持LRU替換規(guī)則;所有現(xiàn)代的數(shù)據(jù)庫同樣可以通過LRU策略來滿足大多數(shù)需求。但是為什么我們并沒有把Oracle 和 PostgreSQL稱作是基于內(nèi)存的解決方案呢?你再想想Linux IO，你知道嗎?所有的IO操作也是會(huì)用到LRU緩存技術(shù)的。

你現(xiàn)在還認(rèn)為Spark在內(nèi)存中處理所有的操作嗎?你可能要失望了。比如Spark的核心：shuffle，其就是將數(shù)據(jù)寫入到磁盤的。如果你再SparkSQL中使用到group by語句，或者你將RDD轉(zhuǎn)換成PairRDD并且在其之上進(jìn)行一些聚合操作，這時(shí)候你強(qiáng)制讓Spark根據(jù)key的哈希值將數(shù)據(jù)分發(fā)到所有的分區(qū)中。shuffle的處理包括兩個(gè)階段：map 和 reduce。Map操作僅僅根據(jù)key計(jì)算其哈希值，并將數(shù)據(jù)存放到本地文件系統(tǒng)的不同文件中，文件的個(gè)數(shù)通常是reduce端分區(qū)的個(gè)數(shù);Reduce端會(huì)從 Map端拉取數(shù)據(jù)，并將這些數(shù)據(jù)合并到新的分區(qū)中。所有如果你的RDD有M個(gè)分區(qū)，然后你將其轉(zhuǎn)換成N個(gè)分區(qū)的PairRDD，那么在shuffle階段將會(huì)創(chuàng)建 M*N 個(gè)文件!雖然目前有些優(yōu)化策略可以減少創(chuàng)建文件的個(gè)數(shù)，但這仍然無法改變每次進(jìn)行shuffle操作的時(shí)候你需要將數(shù)據(jù)先寫入到磁盤的事實(shí)!

所以結(jié)論是：Spark并不是基于內(nèi)存的技術(shù)!它其實(shí)是一種可以有效地使用內(nèi)存LRU策略的技術(shù)。

誤解二：Spark要比Hadoop快 10x-100x

相信大家在Spark的官網(wǎng)肯定看到了如下所示的圖片

這個(gè)圖片是分別使用 Spark 和 Hadoop 運(yùn)行邏輯回歸(Logistic Regression)機(jī)器學(xué)習(xí)算法的運(yùn)行時(shí)間比較，從上圖可以看出Spark的運(yùn)行速度明顯比Hadoop快上百倍!但是實(shí)際上是這樣的嗎?大多數(shù)機(jī)器學(xué)習(xí)算法的核心部分是什么?其實(shí)就是對(duì)同一份數(shù)據(jù)集進(jìn)行相同的迭代計(jì)算，而這個(gè)地方正是Spark的LRU算法所驕傲的地方。當(dāng)你多次掃描相同的數(shù)據(jù)集時(shí)，你只需要在***訪問時(shí)加載它到內(nèi)存，后面的訪問直接從內(nèi)存中獲取即可。這個(gè)功能非常的棒!但是很遺憾的是，官方在使用Hadoop運(yùn)行邏輯回歸的時(shí)候很大可能沒有使用到HDFS的緩存功能，而是采用極端的情況。如果在Hadoop中運(yùn)行邏輯回歸的時(shí)候采用到HDFS緩存功能，其表現(xiàn)很可能只會(huì)比Spark差3x-4x，而不是上圖所展示的一樣。

根據(jù)經(jīng)驗(yàn)，企業(yè)所做出的基準(zhǔn)測(cè)試報(bào)告一般都是不可信的!一般獨(dú)立的第三方基準(zhǔn)測(cè)試報(bào)告是比較可信的，比如：TPC-H。他們的基準(zhǔn)測(cè)試報(bào)告一般會(huì)覆蓋絕大部分場(chǎng)景，以便真實(shí)地展示結(jié)果。

一般來說，Spark比MapReduce運(yùn)行速度快的原因主要有以下幾點(diǎn)：

• task啟動(dòng)時(shí)間比較快，Spark是fork出線程;而MR是啟動(dòng)一個(gè)新的進(jìn)程;
• 更快的shuffles，Spark只有在shuffle的時(shí)候才會(huì)將數(shù)據(jù)放在磁盤，而MR卻不是。
• 更快的工作流：典型的MR工作流是由很多MR作業(yè)組成的，他們之間的數(shù)據(jù)交互需要把數(shù)據(jù)持久化到磁盤才可以;而Spark支持DAG以及pipelining，在沒有遇到shuffle完全可以不把數(shù)據(jù)緩存到磁盤。
• 緩存：雖然目前HDFS也支持緩存，但是一般來說，Spark的緩存功能更加高效，特別是在SparkSQL中，我們可以將數(shù)據(jù)以列式的形式儲(chǔ)存在內(nèi)存中。

所有的這些原因才使得Spark相比Hadoop擁有更好的性能表現(xiàn);在比較短的作業(yè)確實(shí)能快上100倍，但是在真實(shí)的生產(chǎn)環(huán)境下，一般只會(huì)快 2.5x – 3x!

誤解三：Spark在數(shù)據(jù)處理方面引入了全新的技術(shù)

事實(shí)上，Spark并沒有引入任何革命性的新技術(shù)!其擅長(zhǎng)的LRU緩存策略和數(shù)據(jù)的pipelining處理其實(shí)在MPP數(shù)據(jù)庫中早就存在!Spark做出重要的一步是使用開源的方式來實(shí)現(xiàn)它!并且企業(yè)可以免費(fèi)地使用它。大部分企業(yè)勢(shì)必會(huì)選擇開源的Spark技術(shù)，而不是付費(fèi)的MPP技術(shù)。