市面上有一些初學(xué)者的誤解，他們拿Spark和Hadoop比較時(shí)就會(huì)說(shuō)，Spark是內(nèi)存計(jì)算，內(nèi)存計(jì)算是Spark的特性。請(qǐng)問(wèn)在計(jì)算機(jī)領(lǐng)域，MySQL,Redis,SSH框架等等他們不是內(nèi)存計(jì)算嗎？依據(jù)馮諾依曼體系結(jié)構(gòu)，有什么技術(shù)的程序不是在內(nèi)存中運(yùn)行，需要數(shù)據(jù)從硬盤中拉取，然后供CPU進(jìn)行執(zhí)行？所有說(shuō)Spark的特點(diǎn)是內(nèi)存計(jì)算相當(dāng)于什么都沒(méi)有說(shuō)。

那么Spark的真正特點(diǎn)是什么？拋開Spark的執(zhí)行模型的方式，它的特點(diǎn)無(wú)非就是多個(gè)任務(wù)之間數(shù)據(jù)通信不需要借助硬盤而是通過(guò)內(nèi)存，大大提高了程序的執(zhí)行效率。而Hadoop由于本身的模型特點(diǎn)，多個(gè)任務(wù)之間數(shù)據(jù)通信是必須借助硬盤落地的。那么Spark的特點(diǎn)就是數(shù)據(jù)交互不會(huì)走硬盤。只能說(shuō)多個(gè)任務(wù)的數(shù)據(jù)交互不走硬盤，但是Spark的shuffle過(guò)程和Hadoop一樣仍然必須走硬盤的。

[[228824]]

誤解一：Spark是一種內(nèi)存技術(shù)

大家對(duì)Spark***的誤解就是spark一種內(nèi)存技術(shù)。其實(shí)沒(méi)有一個(gè)Spark開發(fā)者正式說(shuō)明這個(gè)，這是對(duì)Spark計(jì)算過(guò)程的誤解。Spark是內(nèi)存計(jì)算沒(méi)有錯(cuò)誤，但是這并不是它的特性，只是很多專家在介紹spark的特性時(shí)，簡(jiǎn)化后就成了spark是內(nèi)存計(jì)算。

什么樣是內(nèi)存技術(shù)？就是允許你將數(shù)據(jù)持久化在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, HBase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(méi)有內(nèi)置的持久化代碼。它所能做的事就是緩存數(shù)據(jù)，而這個(gè)并不是數(shù)據(jù)持久化。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。

但是有人還是會(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(wú)法使用其他方式來(lái)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(wú)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。

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 ，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(guò)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(kù)同樣可以通過(guò)LRU策略來(lái)滿足大多數(shù)需求。但是為什么我們并沒(méi)有把Oracle 稱作是基于內(nèi)存的解決方案呢？再想想操作系統(tǒng)IO，你知道嗎？所有的IO操作也是會(huì)用到LRU緩存技術(shù)的。

Spark在內(nèi)存中處理所有的操作嗎？Spark的核心：shuffle，其就是將數(shù)據(jù)寫入到磁盤的。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(wú)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

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(wèn)時(shí)加載它到內(nèi)存，后面的訪問(wèn)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(méi)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(lái)說(shuō)，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(méi)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(lái)說(shuō)，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！

版權(quán)聲明：

作者：劉洋 合作微信號(hào)：intsmaze 本文版權(quán)歸作者和博客園共有，歡迎轉(zhuǎn)載，但未經(jīng)作者同意必須保留此段聲明，且在文章頁(yè)面明顯位置給出原文連接，否則保留追究法律責(zé)任的權(quán)利。