總的來說，Spark采用更先進的架構，使得靈活性、易用性、性能等方面都比Hadoop更有優(yōu)勢，有取代Hadoop的趨勢，但其穩(wěn)定性有待進一步提高。我總結，具體表現(xiàn)在如下幾個方面。

Q：Spark和Hadoop的架構區(qū)別

A：

• Hadoop:MapRedcue由Map和Reduce兩個階段，并通過shuffle將兩個階段連接起來的。但是套用MapReduce模型解決問題，不得不將問題分解為若干個有依賴關系的子問題，每個子問題對應一個MapReduce作業(yè)，最終所有這些作業(yè)形成一個DAG。
• Spark:是通用的DAG框架，可以將多個有依賴關系的作業(yè)轉換為一個大的DAG。核心思想是將Map和Reduce兩個操作進一步拆分為多個元操作，這些元操作可以靈活組合，產生新的操作，并經(jīng)過一些控制程序組裝后形成一個大的DAG作業(yè)。

Q：Spark和Hadoop的中間計算結果處理區(qū)別

A：

• Hadoop:在DAG中，由于有多個MapReduce作業(yè)組成，每個作業(yè)都會從HDFS上讀取一次數(shù)據(jù)和寫一次數(shù)據(jù)(默認寫三份)，即使這些MapReduce作業(yè)產生的數(shù)據(jù)是中間數(shù)據(jù)也需要寫HDFS。這種表達作業(yè)依賴關系的方式比較低效，會浪費大量不必要的磁盤和網(wǎng)絡IO，根本原因是作業(yè)之間產生的數(shù)據(jù)不是直接流動的，而是借助HDFS作為共享數(shù)據(jù)存儲系統(tǒng)。
• Spark：在Spark中，使用內存(內存不夠使用本地磁盤)替代了使用HDFS存儲中間結果。對于迭代運算效率更高。

Q：Spark和Hadoop的操作模型區(qū)別

A：

• Hadoop：只提供了Map和Reduce兩種操作所有的作業(yè)都得轉換成Map和Reduce的操作。
• Spark：提供很多種的數(shù)據(jù)集操作類型比如Transformations 包括map, filter, flatMap, sample, groupByKey, reduceByKey, union, join, cogroup, mapValues,sort,partionBy等多種操作類型，還提供actions操作包括Count,collect, reduce, lookup, save等多種。這些多種多樣的數(shù)據(jù)集操作類型，給開發(fā)上層應用的用戶提供了方便。

Q：spark中的RDD是什么，有哪些特性?

A：

• A list of partitions：一個分區(qū)列表，RDD中的數(shù)據(jù)都存儲在一個分區(qū)列表中
• A function for computing each split：作用在每一個分區(qū)中的函數(shù)
• A list of dependencies on other RDDs：一個RDD依賴于其他多個RDD，這個點很重要，RDD的容錯機制就是依據(jù)這個特性而來的
• Optionally,a Partitioner for key-value RDDs(eg:to say that the RDD is hash-partitioned)：可選的，針對于kv類型的RDD才有這個特性，作用是決定了數(shù)據(jù)的來源以及數(shù)據(jù)處理后的去向
• 可選項，數(shù)據(jù)本地性，數(shù)據(jù)位置***

Q：概述一下spark中的常用算子區(qū)別(map,mapPartitions，foreach，foreachPatition)

A：map：用于遍歷RDD，將函數(shù)應用于每一個元素，返回新的RDD(transformation算子)

foreach：用于遍歷RDD，將函數(shù)應用于每一個元素，無返回值(action算子)

mapPatitions：用于遍歷操作RDD中的每一個分區(qū)，返回生成一個新的RDD(transformation算子)

foreachPatition：用于遍歷操作RDD中的每一個分區(qū)，無返回值(action算子)

總結：一般使用mapPatitions和foreachPatition算子比map和foreach更加高效，推薦使用。