有了Hadoop MapReduce, 为什么还要Spark?

a. 由于MapReduce的shuffle过程需写磁盘，比较影响性能；而Spark利用RDD技术，计算在内存中进行.

b. MapReduce计算框架(API)比较局限, 而Spark则是具备灵活性的并行计算框架.

c. 再说说Spark API方面- Scala: Scalable Language, 据说是进行并行计算的最好的语言. 与Java相比，极大的减少代码量.

 

From http://coderzhang.com/%e5%85%b3%e4%ba%8e%e7%bc%96%e7%a8%8b%e8%af%ad%e8%a8%80%e7%9a%84%e4%b8%80%e7%82%b9%e6%80%9d%e8%80%83/

scala则是为了适应java程序员的需求，做了很多的变通，当然也是为了拉拢java程序员。



scala的代码写出来可以咋一看跟java代码一样，有很多语法糖来简化java代码的书写复杂度，也很方便的支持了不可变变量。然后就宣称函数式，开发效率高，支持高并发编程。不过我觉得使他受欢迎的并不是这三点，而是可以使java程序员快速上手，已写java的方式写scala。这才是他逐渐流行的关键，写scala对java程序员来说是一件很cool的事情，而且也很容易上手，何乐而不为呢。



再说说流行的java，java应该是在各种语言里比较接近自然语言的一种，这也应该是他流行已久的一个重要原因。自然语言的一个最大的弊端就是描述事情的复杂性，到java就是书写代码的复杂性。就像法律文书什么的，说一个事情总是会有很多上下文，使用最没有歧义的自然语言说清楚一件没有歧义的事总是困难的。java也面临同样的问题。



scala想通过语法糖解决这个问题，就像是用河南话表达上海话的意思，字虽然少了，毕竟只是换一种说法，无法解决自然语言的问题。

 

DataFrame

就易用性而言，对比传统的MapReduce API，说Spark的RDD API有了数量级的飞跃并不为过。然而，对于没有MapReduce和函数式编程经验的新手来说，RDD    API仍然存在着一定的门槛。另一方面，数据科学家们所熟悉的R、Pandas等传统数据框架虽然提供了直观的API，却局限于单机处理，无法胜任大数据场景。为了解决这一矛盾，Spark    SQL 1.3.0在原有SchemaRDD的基础上提供了与R和Pandas风格类似的DataFrame API。新的DataFrame AP不仅可以大幅度降低普通开发者的学习门槛，同时还支持Scala、Java与Python三种语言。更重要的是，由于脱胎自SchemaRDD，DataFrame天然适用于分布式大数据场景。

DataFrame是什么？

在Spark中，DataFrame是一种以RDD为基础的分布式数据集，类似于传统数据库中的二维表格。DataFrame与RDD的主要区别在于，前者带有schema元信息，即DataFrame所表示的二维表数据集的每一列都带有名称和类型。这使得Spark    SQL得以洞察更多的结构信息，从而对藏于DataFrame背后的数据源以及作用于DataFrame之上的变换进行了针对性的优化，最终达到大幅提升运行时效率的目标。反观RDD，由于无从得知所存数据元素的具体内部结构，Spark    Core只能在stage层面进行简单、通用的流水线优化。