• 资源粒度
  • MR是基于进程，MR的每一个task都是一个进程，当task完成时，进程也会结束
  • spark是基于线程，Spark的多个task跑在同一个进程上，这个进程会伴随spark应用程序的整个生命周期，即使没有作业进行，进程也是存在的
  • 所以，spark比MR快的原因也在这，MR启动就需要申请资源，用完就销毁，但是spark把进程拿到以后，这个进程会一直存在，即使没有job在跑，所以后边的job可以直接启动，不需要再重新申请资源
  • 速度
  • spark把运算的中间数据存放在内存，迭代计算效率更高；MR的中间结果需要落地，需要保存到磁盘，这样必然会有磁盘IO操作，影响性能
  • 容错性
  • spark容错性高，它通过弹性分布式数据集RDD来实现高效容错，RDD是一组分布式的存储在节点内存中的只读性质的数据集，这些集合石弹性的，某一部分丢失或者出错，可以通过整个数据集的计算流程的血缘关系来实现重建；MR的话容错可能只能重新计算了，成本较高
  • 适用面
  • spark更加通用，spark提供了transformation和action这两大类的多个功能的api，另外还有流式处理sparkstreaming模块，图计算GraphX等；MR只提供了map和reduce两种操作，流计算以及其他模块的支持比较缺乏
  • 框架和生态
  • Spark框架和生态更为复杂，很多时候spark作业都需要根据不同的业务场景的需要进行调优，以达到性能要求，MR框架及其生态相对较为简单，对性能的要求也相对较弱，但是运行较为稳定，适合长期后台运行
  • 运行环境
  • MR运行在YARN上
  • spark：
  • local：本地运行
  • standalone：使用Spark自带的资源管理框架，运行spark的应用
  • yarn：将spark应用类似mr一样，提交到yarn上运行
  • mesos：类似yarn的一种资源管理框架