为什么Spark比Hadoop快

Spark比Hadoop快"/>

为什么Spark比Hadoop快

park SQL比Hadoop Hive快，是有一定条件的，而且不是Spark SQL的引擎比Hive的引擎快，相反，Hive的HQL引擎还比Spark SQL的引擎更快。
其实，关键还是在于Spark 本身快。那么Spark为什么快呢？

1、消除了冗余的HDFS读写
Hadoop每次shuffle操作后，必须写到磁盘，而Spark在shuffle后不一定落盘，可以cache到内存中，以便迭代时使用。如果操作复杂，很多的shufle操作，那么Hadoop的读写IO时间会大大增加。

2、消除了冗余的MapReduce阶段
Hadoop的shuffle操作一定连着完整的MapReduce操作，冗余繁琐。而Spark基于RDD提供了丰富的算子操作，且action操作产生shuffle数据，可以缓存在内存中。

3、JVM的优化
Hadoop每次MapReduce操作，启动一个Task便会启动一次JVM，基于进程的操作。而Spark每次MapReduce操作是基于线程的，只在启动Executor时启动一次JVM，内存的Task操作是在线程复用的。
每次启动JVM的时间可能就需要几秒甚至十几秒，那么当Task多了，这个时间Hadoop不知道比Spark慢了多少。
总结：Spark比Mapreduce运行更快，主要得益于其对mapreduce操作的优化以及对JVM使用的优化。

Spark快不是绝对的，但是绝大多数Spark都比Hadoop计算要快。
考虑一种极端查询：Select month_id,sum(sales) from T group by month_id;这个查询只有一次shuffle操作，此时，也许Hive HQL的运行时间也许比Spark还快。

【实际开发中如何选择】
因为大数据一般都是面临数据量非常大的计算，如果是在金融等行业，对数据的可靠性要求非常严格，则选用MR作为底层计算引擎，为的是数据都会进行落盘操作，比较稳定。对数据的可靠性要求一般，但是对数据运算的时效性有要求的，可以选用hive on Spark 或者Spark。