本文出处：
正文
1. hadoop与spark的联系与区别
解决问题的层面不一样
首先，Hadoop和Apache Spark两者都是大数据框架，但是各自存在的目的不尽相 同。Hadoop实质上更多是一个分布式数据基础设施: 它将巨大的数据集分派到一个由 普通计算机组成的集群中的多个节点进行存储，意味着您不需要购买和维护昂贵的服务 器硬件。同时，Hadoop还会索引和跟踪这些数据，让大数据处理和分析效率达到前所 未有的高度。
Spark则是那么一个专门用来对那些分布式存储的大数据进行处理的工具，它并不 会进行分布式数据的存储。
两者可合可分
Hadoop除了提供为大家所共识的HDFS分布式数据存储功能之外，还提供了叫做 MapReduce的数据处理功能。所以这里我们完全可以抛开Spark，使用Hadoop自身 的MapReduce来完成数据的处理。 相反，Spark也不是非要依附在Hadoop身上才能 生存。但如上所述，毕竟它没有提供文件管理系统，所以，它必须和其他的分布式文件 系统进行集成才能运作。这里我们可以选择Hadoop的HDFS,也可以选择其他的基于云 的数据系统平台。但Spark默认来说还是被用在Hadoop上面的，毕竟，大家都认为它 们的结合是最好的。
以下是从网上摘录的对MapReduce的最简洁明了的解析:
我们要数图书馆中的所有书。你数1号书架，我数2号书架。这就是“Map”。我们人越 多，数书就更快。现在我们到一起，把所有人的统计数加在一起。这就是“Reduce”。
Spark数据处理速度秒杀MapReduce
Spark因为其处理数据的方式不一样，会比MapReduce快上很多。MapReduce是 分步对数据进行处理的: ”从集群中读取数据，进行一次处理，将结果写到集群，从集群 中读取更新后的数据，进行下一次的处理，将结果写到集群，等等…“ Booz Allen Hamilton的数据科学家Kirk Borne如此解析。
反观Spark，它会在内存中以接近“实时”的时间完成所有的数据分析：“从集群中读取 数据，完成所有必须的分析处理，将结果写回集群，完成，” Born说道。Spark的批处 理速度比MapReduce快近10倍，内存中的数据分析速度则快近100倍。
如果需要处理的数据和结果需求大部分情况下是静态的，且你也有耐心等待批处理的 完成的话，MapReduce的处理方式也是完全可以接受的。
但如果你需要对流数据进行分析，比如那些来自于工厂的传感器收集回来的数据，又 或者说你的应用是需要多重数据处理的，那么你也许更应该使用Spark进行处理。
大部分机器学习算法都是需要多重数据处理的。此外，通常会用到Spark的应用场景 有以下方面：实时的市场活动，在线产品推荐，网络安全分析，机器日记监控等。
灾难恢复
两者的灾难恢复方式迥异，但是都很不错。因为Hadoop将每次处理后的数据都写入 到磁盘上，所以其天生就能很有弹性的对系统错误进行处理。
Spark的数据对象存储在分布于数据集群中的叫做弹性分布式数据集(RDD: Resilient Distributed Dataset)中。“这些数据对象既可以放在内存，也可以放在磁盘，所以 RDD同样也可以提供完成的灾难恢复功能，”Borne指出。
2. Hive：hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件（或者非结构化的数据）映射为一张数据库表，并提供简单的sql查询功能，可以将sql语句转换为MapReduce任务进行运行。 其优点是学习成本低，可以通过类SQL语句快速实现简单的MapReduce统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。 使用Hive，就不用去写MapReduce，而是写sql语句就行了。
正文结束.
