大数据入门：Spark是否依赖Hadoop？

犹记得，Spark在2013年才开始陆续传到国内，而再此之前，大数据领域可以说是Hadoop的天下。但是仅在一年多左右的时间，Spark就迅速成为了新一代的大数据框架的选择，光环甚至一度超过Hadoop，而关于Hadoop和Spark的争议，也一直没断过。比如说Spark是否依赖hadoop？

关于Spark和Hadoop的关系，一开始似乎是处在天然的对立面，非此即彼，什么Hadoop已死，Spark才是未来等等的说法，层出不穷。但是到今天来看，2021年了，Hadoop也还是主流框架之一，Spark也同样获得了不低的地位。

为什么会出现这样的状况呢？

这其实就是今天的“Spark是否依赖hadoop”这个问题的答案。

Hadoop处理大数据的架构，通常是这样的顺序：从HDFS读取输入数据；在Map阶段使用用户定义的mapper function,然后把结果写入磁盘；在Reduce阶段，从各个处于Map阶段的机器中读取Map计算的中间结果，使用用户定义的reduce function,通常最后把结果写回HDFS。

在这个过程当中，至少进行了三次数据读写，高度依赖磁盘读写的Hadoop，在数据处理上就出现了性能瓶颈，在面对更大规模、更复杂的数据处理任务上，Hadoop存在很大的局限。

Spark正是在这样的背景下诞生的，Spark不像Hadoop采取磁盘读写，而是基于性能更高的内存存储进行数据存储和读写。而Spark本身作为平台也开发了streaming处理框架，spark streaming、SQL处理框架Dataframe、机器学习库MLlib和图处理库GraphX，也形成了较为完备的数据处理生态。

但是Spark也并非完美，从上面我们可以看出，Spark缺乏数据存储这一块的支持——没有分布式文件系统。

因此，Spark是否依赖hadoop？很大程度上来说，还是依赖的。因为Spark缺乏分布式存储支持，必须要依赖外部的数据源，这个依赖可以是Hadoop系统的HDFS，也可以是其他的分布式文件系统。