好程序员分享ApacheSpark常见的三大误解

　　误解一：Spark是一种内存技术

　　你们对Spark最大的误解就是其是一种内存技术（in-memorytechnology）。其实不是这样的！没有一个Spark开发者正式说明这个，这是对Spark计算过程的误解。

　　咱们从头开始说明。什么样的技术才能称得上是内存技术？在我看来，就是容许你将数据持久化（persist）在RAM中并有效处理的技术。然而Spark并不具有将数据数据存储在RAM的选项，虽然咱们都知道能够将数据存储在HDFS,Tachyon,HBase,Cassandra等系统中，可是不论是将数据存储在磁盘仍是内存，都没有内置的持久化代码（nativepersistencecode）。它所能作的事就是缓存（cache）数据，而这个并非数据持久化（persist）。已经缓存的数据能够很容易地被删除，而且在后期须要时从新计算。

　　可是即便有这些信息，仍然有些人仍是会认为Spark就是一种基于内存的技术，由于Spark是在内存中处理数据的。这固然是对的，由于咱们没法使用其余方式来处理数据。操做系统中的API都只能让你把数据从块设备加载到内存，而后计算完的结果再存储到块设备中。咱们没法直接在HDD设备上计算；因此现代系统中的全部处理基本上都是在内存中进行的。

　　虽然Spark容许咱们使用内存缓存以及LRU替换规则，可是你想一想如今的RDBMS系统，好比Oracle和PostgreSQL，你认为它们是如何处理数据的？它们使用共享内存段（sharedmemorysegment）做为tablepages的存储池，全部的数据读取以及写入都是经过这个池的，这个存储池一样支持LRU替换规则；全部现代的数据库一样能够经过LRU策略来知足大多数需求。可是为何咱们并无把Oracle和PostgreSQL称做是基于内存的解决方案呢？你再想一想LinuxIO，你知道吗？全部的IO操做也是会用到LRU缓存技术的。

　　你如今还认为Spark在内存中处理全部的操做吗？你可能要失望了。好比Spark的核心：shuffle，其就是将数据写入到磁盘的。若是你再SparkSQL中使用到groupby语句，或者你将RDD转换成PairRDD而且在其之上进行一些聚合操做，这时候你强制让Spark根据key的哈希值将数据分发到全部的分区中。shuffle的处理包括两个阶段：map和reduce。Map操做仅仅根据key计算其哈希值，并将数据存放到本地文件系统的不一样文件中，文件的个数一般是reduce端分区的个数；Reduce端会从Map端拉取数据，并将这些数据合并到新的分区中。全部若是你的RDD有M个分区，而后你将其转换成N个分区的PairRDD，那么在shuffle阶段将会建立M*N个文件！虽然目前有些优化策略能够减小建立文件的个数，但这仍然没法改变每次进行shuffle操做的时候你须要将数据先写入到磁盘的事实！

　　因此结论是：Spark并非基于内存的技术！它实际上是一种能够有效地使用内存LRU策略的技术。

　　误解二：Spark要比Hadoop快10x-100x

　　这个图片是分别使用Spark和Hadoop运行逻辑回归（LogisticRegression）机器学习算法的运行时间比较，从上图能够看出Spark的运行速度明显比Hadoop快上百倍！可是其实是这样的吗？大多数机器学习算法的核心部分是什么？其实就是对同一份数据集进行相同的迭代计算，而这个地方正是Spark的LRU算法所骄傲的地方。当你屡次扫描相同的数据集时，你只须要在首次访问时加载它到内存，后面的访问直接从内存中获取便可。这个功能很是的棒！可是很遗憾的是，官方在使用Hadoop运行逻辑回归的时候很大可能没有使用到HDFS的缓存功能，而是采用极端的状况。若是在Hadoop中运行逻辑回归的时候采用到HDFS缓存功能，其表现极可能只会比Spark差3x-4x，而不是上图所展现的同样。

　　根据经验，企业所作出的基准测试报告通常都是不可信的！通常独立的第三方基准测试报告是比较可信的，好比：TPC-H。他们的基准测试报告通常会覆盖绝大部分场景，以便真实地展现结果。

　　通常来讲，Spark比MapReduce运行速度快的缘由主要有如下几点：

　　task启动时间比较快，Spark是fork出线程；而MR是启动一个新的进程；

　　更快的shuffles，Spark只有在shuffle的时候才会将数据放在磁盘，而MR却不是。

　　更快的工做流：典型的MR工做流是由不少MR做业组成的，他们之间的数据交互须要把数据持久化到磁盘才能够；而Spark支持DAG以及pipelining，在没有遇到shuffle彻底能够不把数据缓存到磁盘。

　　缓存：虽然目前HDFS也支持缓存，可是通常来讲，Spark的缓存功能更加高效，特别是在SparkSQL中，咱们能够将数据以列式的形式储存在内存中。

　　全部的这些缘由才使得Spark相比Hadoop拥有更好的性能表现；在比较短的做业确实能快上100倍，可是在真实的生产环境下，通常只会快2.5x~3x！

　　误解三：Spark在数据处理方面引入了全新的技术

　　事实上，Spark并无引入任何革命性的新技术！其擅长的LRU缓存策略和数据的pipelining处理其实在MPP数据库中早就存在！Spark作出重要的一步是使用开源的方式来实现它！而且企业能够免费地使用它。大部分企业势必会选择开源的Spark技术，而不是付费的MPP技术