為甚麼 Spark 發展不如 Hadoop？

一說 big data，人們往往想到 Hadoop。這固然不錯，但隨著 big data 技術的深入應用，多種類型的數據應用不斷被要求提出，一些 Hadoop 被關注的範疇開始被人們注意，相關技術也迅速獲得專業技術範疇的應用。最近半年來的 Spark 之熱就是典型例子。

Spark 是一個基於 RAM 計算的開源碼 Computer Cluster 運算系統，目的是更快速地進行數據分析。Spark 早期的核心部分代碼只有 3 萬行。Spark 提供了與 Hadoop Map/Reduce 相似的分散式運算框架，但基於 RAM 和優化設計，因此在交換式數據分析和 data mining 的 Workload 中表現不錯。

進入 2014 年以後，Spark 開源碼生態系統大幅增長，已成為 big data 範疇最活躍的開源碼項目之一。Spark 之所以有如此多的關注，原因主要是因為 Spark 具有的高性能、高靈活性、與 Hadoop 生態系統完美融合等三方面的特點。

首先，Spark 對分散的數據集進行抽樣，創新地提出 RDD(Resilient Distributed Dataset)的概念，所有的統計分析任務被翻譯成對 RDD 的基本操作組成的有向無環圖(DAG)。RDD 可以被駐留在 RAM 中，往後的任務可以直接讀取 RAM 中的數據；同時分析 DAG 中任務之間的依賴性可以把相鄰的任務合併，從而減少了大量不準確的結果輸出，極大減少了 Hard disk I/O，使

複雜數據分析任務更高效。從這個推算，如果任務夠複雜，Spark 比 Map/Reduce 快一到兩倍。

其次，Spark 是一個靈活的運算框架，適合做批次處理、工作流、交互式分析、流量處理等不同類型的應用，因此 Spark 也可以成為一個用途廣泛的運算引擎，並在未來取代 Map/Reduce 的地位。

最後，Spark 可以與 Hadoop 生態系統的很多組件互相操作。Spark 可以運行在新一代資源管理框架 YARN 上，它還可以讀取已有並存放在 Hadoop 上的數據，這是個非常大的優勢。

雖然 Spark 具有以上三大優點，但從目前 Spark 的發展和應用現狀來看，Spark 本身也存在很多缺陷，主要包括以下幾個方面：

– 穩定性方面，由於代碼質量問題，Spark 長時間運行會經常出錯，在架構方面，由於大量數據被緩存在 RAM 中，Java 回收垃圾緩慢的情況嚴重，導致 Spark 性能不穩定，在複雜場景中 SQL 的性能甚至不如現有的 Map/Reduce。

– 不能處理 big data，單獨機器處理數據過大，或者由於數據出現問題導致中間結果超過 RAM 的大小時，常常出現 RAM 空間不足或無法得出結果。然而，Map/Reduce 運算框架可以處理 big data，在這方面，Spark 不如 Map/Reduce 運算框架有效。

 – 不能支持複雜的 SQL 統計；目前 Spark 支持的 SQL 語法完整程度還不能應用在複雜數據分析中。在可管理性方面，Spark YARN 的結合不完善，這就為使用過程中埋下隱憂，容易出現各種難題。

 雖然 Spark 活躍在 Cloudera、MapR、Hortonworks 等眾多知名 big data 公司，但是如果 Spark 本身的缺陷得不到及時處理，將會嚴重影響 Spark 的普及和發展。