大数据框架之从Hadoop到Spark详解

谈到大数据框架，不得不提Hadoop和 Spark，今天我们进行历史溯源，帮助大家了解Hadoop和Spark的过去，感应未来。

在Hadoop出现前人们采用什么计算模型呢?是典型的高性能 HPC workflow，它有专门负责计算的compute cluster，cluster memory很小，所以计算产生的任何数据会存储在storage中，最后在Tape里进行备份，这种workflow主要适用高速大规模复杂计算，像核物理模拟中会用到。

HPC workflow在实际应用中存在一些问题，这些问题促进了Hadoop的出现。

首先如果想对大量进行简单计算，比如对Search logs 进行“what are the popular keywords”计算，这时是否可以用HPC workflow?当然可以，但却并不适合，因为需要做的计算非常简单，并不需要在 high performance compute cluster中进行。

其次由于数据量大，HPC workflow是I/O bound，计算时间只有1个微秒，但剩下的100个微秒可能都需要等数据，这时候compute cluster就会非常空闲，因此HPC同样不不适用于 specific use。

另外HPC主要在政府部门、科研等领域使用，成本高昂，不适合广泛推广。

如果不能把数据移到计算的地方，那为什么不转换思维，把计算移到数据里呢?

所以Google在2003至2006年发表了著名的三大论文——GFS、BigTable、MapReduce，解决怎么样让framework 挪到有数据的地方去做，解决了数据怎么存储，计算及访问的问题。

在Google 发出三大论文后，Yahoo用相同的框架开发出JAVA语言的project，这就是Hadoop。Hadoop Ecosystem在十年多时间发展的如火如荼，其核心就是HDFS，Mapreduce和Hbase。

HDFS很好地实现了数据存储的以下特性要求：

便宜

高可用性

高吞吐量

高扩展性

故障检测与恢复

大家从图中可以看到HDFS数据读取和写入的过程，这个Architecture非常稳定，当数据量越来越大时Namenode从一个发展为多个，使内存增大，产生了Namenode Federation。

数据存储已经实现，那如何进行计算呢?

如果有1PB size log，当需要计数时， 一个machine肯定无法计算海量数据，这时候可能需要写Multi-threads code，但也会存在进程坏了，性能不稳定等问题，如果Data Scientist还要写multi-threats程序是非常浪费时间的，这时候Mapreduce 就应运而生，目的是让framework代替人来处理复杂问题，使人集中精力到重要的数据分析过程中，只需要通过code Map和Reduce就可以实现数据运算。

让我们来思考下：在一次Mapreduce中至少需写硬盘几次?

至少3次!

开始从HDFS中读取数据，在Mapreduce中计算，再写回HDFS作为 Intermediate data，继续把数据读出来做reduce，最后再写回HDFS，很多时候做meachine learning需要不断迭代，一次程序无法算出最终结果，需要不断循环。

循环过程一直往硬盘里写，效率非常低，如果把中间数据写入内存，可以极大提高性能，于是Spark出现了

当把数据从HDFS中读出来到内存中，通过spark分析，Intermediate data再存到内存，继续用spark进行分析，不断进行循环，这样Spark会很大地提高计算速度。

Spark在2009年由AMPLab开发，吸取了很多Hadoop发展的经验教训，比如Hadoop对其他语言支持不够，Spark提供了Java，Scala，Python，R这些广泛受到Data Scientist欢迎的语言

那Spark与Hadoop的区别有什么?

Spark比Hadoop使用更简单

Spark对数据科学家更友好(Interactive shell)

Spark有更多的API/language支持(Java, python, scala)