spark为什么比hadoop快

Posted 2023-03-07 canaryW

网上一堆人根本对计算框架一知半解就出来糊弄人，常见解答有：
spark是基于内存计算，所以快。这跟废话似的，mr计算的时候不也是基于内存？
mr shuffle落盘。这也是胡扯， spark shuffle不落盘？

实际上，如果一个job只有一个map task和reduce task，那么spark并不会比mr快很多。spark快的真正原因是，当一个job具有多个stage时， 我们将这个job表示为$[ma{p}_1,reduc{e}_1,ma{p}_2,reduc{e}_2...reduc{e}_{n-1},ma{p}_n...]$，那么mr会在每一个$reduc{e}_{n-1}$和$ma{p}_n$之间进行一次落盘和一次文件读取，而spark因为可以将窄依赖的算子合并为一个stage(得益于spark的DAG计算机制)，所以在$reduc{e}_{n-1}$和$ma{p}_n$之间是不涉及落盘的，直接基于内存计算。

举个小例子加深理解，假设一个job涉及两个stage，那么mr和spark的运行过程是这样的：

可以看到， spark相较于MR而言，少了一次hdfs文件落盘和一次文件读取，如果一个job有$n$个stage，比方说是机器学习算法，那么spark可以节省$n-1$次文件落盘、读取。因此速度会快很多。