spark和hive storm mapreduce的比较

neocai

　　Spark Streaming与Storm都可以用于进行实时流计算。但是他们两者的区别是非常大的。其中区别之一
就是，Spank Streaming和Stom的计算模型完全不一样，Spark Streaming是基于RDD的，因此需要将一小段时间内的，比如1秒内的数据，收集起来，作为一个RDD.然后再针对这个batch的数据进行处理。而Storm却可以做到每来一条数据， 都可以立即进行处理和计算。 因此，Spark Streaming实际上严格意义上来说，只能称作准实时的流计算框架，而Storm是真正意义上的实时计算框架。
此外，Storm支 持的一项高级特性，是Spark Streamng暂时不具备的，即Storm支持在分布式流式计算程序(Topology) 在运行过程中，可以动态地调整并行度。从而动态提高并发处理能力。而SparkSreaming是无法动态调整并行度的。
但是Spark Streaming也有其优点，首先Spark Streaming由于是基Fbatch进行处理的，因此相较于Stom基于单条数据进行处理，具有数倍甚至效十倍的吞吐量。
此外，Spark Streaming由于也身处于Spark生态圈内，因此Spark Streaming可以与Spark Core.SparkSQl.甚至是Spark MLuib Spark GraphX进行无维整合.流式处理完的数据，可以立即进行各种购Bmap. reduce转换操作， 可以立即使用sqi进行查询，甚至可以立即使用machne laming或者图计算算法进行处理。这种一站式的大数据处理功能和优势，是Slorm无法匹敌的。
因此，综合上述来看，通常在对实时性要求特别高、而且实时数据量不稳定，比如在白天有高峰期的情况下，可以选择使用Storm.但是如果是对实时性要求一般，允许1秒的准实时处理，而且不要求动态调被并行度的话， 选择Spark Streamng是更好的选择。
　　Spark SQL实际上并不能完全替代Hive.因为Hive是一种基FHDFS的数据仓库，并且提供了基于QL模型的，针对存储了大数据的数据仓库，进行分布式交互查询的查询引擎。
严格的来说，Spark SQL能够替代的，是Hive的查询引擎，而不是Hive本身， 实际上即使在生产环境Spark SQL也是针对Hive数据仓库中的数据进行查询，Spark本身自己是不提供存储的， 自然也不可能参代Hive作为数据仓库的这个功能。
Spark SQL的一个优点，相较于Hive查询引擎来说，就是速度快，同样的SQL语句，可能使用Hive的量询引擎，由于其底层基于MapReduce. 必须经过shutfhe过程走进盘， 因此速度是非常缓慢的。很多复杂的SQL语句。在hive中执行都需要一个小时以上的时间。而SparkSQL由于其底层基干Spak自身的基于内存的特点，因此速度达到了Hive查询引擎的数倍以上。
但是Spark SQL由于与Spark一样。是大数据领域的新起的新秀，因此还不够完善，有少量的Hive支持的高级特性，Spark SQL还不支持，导致Spark SQL暂时还不能完全替代Hive的查询引擎。而只能在部分Spark SQL功能特性可以满足需求的场景下，进行使用。
而Spark SQL相较于Hive的另外一个优点，就是支持大量不同的数据源，包括hive.json. parquet、 jdbc等等。此外，Spark SQL由于身处Spark技术堆栈内，也是基于RDD来工作，因此可以与Spark的其他组件无缝整合使用，配合起来实现许多复杂的功能。比如. Spark SQL支持可以直接针对hdts文件执行sql语句!
　　MapReduce能够完成的各种离线批处理功能，以及常见算法(比如二次排序、topn等)，基于Spark RDD的核心编程，都可以实现，并且可以更好地、更容易地实现。而且基于Spark RDD编写的高线批处理程序，运行速度是MapReduce的数倍。速度上有非常明显的优势。
Spark相较于MapReduce速度快的最主要原因就在于，MapReduce的计算模型太死板，必须是mapreduce模式，有时候即使完成一些诸如过减之类的操作，也必须经过map reduce过程，这样就必须经过shufle过程。而MapReduce的shffle过程是最消耗性能的，因为shuffe中间的过程必须基于进盘来读写。而Spark的shuthe虽然也要基于磁盘，但是其大量ransformation操作， 比如单纯的map或者hiter等操作，可以直接基于内存进行pipeline操作，速度性能自然大大提升。
但是Spark也有其劣势。由于Spark基于内存进行计算，虽然开发容易，但是真正面对大数据的时候(比如一次操作针对10亿以上级别)，在没有进行调优的情况下，可能会出现各种各样的问题，比如OOM内存溢出等等。导致Spark程序可能都无法完全运行起来，就报惜挂掉了，而MapReduce即使是运行缓慢，但是至少可以慢慢运行完。
此外，Spark由于是新崛起的技术新秀，因此在大数据领域的完善程度，肯定不如MapReduce.比如基于HBase、Hive作为离线批处理程序的输入输出，Spark就远设有MapReduce来的完善。实现起来非常麻烦。