【互动问答分享】第1期决胜云计算大数据时代Spark亚太研究院公益大讲堂

“决胜云计算大数据时代”

 

Spark亚太研究院100期公益大讲堂 【第一期互动问答分享】

 

 

Q1：“能否延伸想象一下，Hadoop后续版本会不会通过设计调整，具备 Spark目前所具备的优势？”

A1：

• Hadoop这几年的改进基本停留在代码层次，也就是修修补补的事情，这就导致了Hadoop现在具有深度的“技术债务”，负载累累；

• Hadoop本身的计算模型决定了Hadoop上的所有工作都要转化成Map、Shuffle和Reduce；

• 等核心阶段，由于每次计算都要从磁盘读或者写数据，同时真个计算模型需要网络传输，

• 这就导致了越来越不能忍受的延迟性，同时在前一个任务运行完之前，任何一个任务都不 可以运行，这直接导致了其无力支持交互式应用；

• 那么，为什么不全部重新写一个更好的Hadoop呢?答案是Spark的出现使得没有必要这 样做了。

 

Q2：“Spark会不会取代Hadoop？”

A2：

• Hadoop的HDFS存储系统目前公认的分布式大数据的首选存储系统，会继续倍使用；但 在大数据计算框架上Spark会取代Hadoop；

• 原先支持Hadoop的四大商业机构纷纷宣布支持Spark；

• Yahoo！、淘宝、优酷土豆、网易、Baidu、腾讯等已经使用Spark技术等；

• Mahout前一阶段表示从现在起他们将不再接受任何形式的以MapReduce形式实现的 算法，另外一方面，Mahout宣布新的算法基于Spark；

• Cloudera的机器学习框架Oryx的执行引擎也将由Hadoop的MapReduce替换成Spark；

• Google已经开始将负载从MapReduce转移到Pregel和Dremel上；

• FaceBook则将负载转移到Presto上；

• 2014年5月30日Spark 1.0发布，版本稳定 ，生态系统晚上，可以放心使用

 

 Q3：Hadoop是否只会作为大数据的存储系统存在下去？”

A3：     

• Hadoop的HDFS已经是云计算大数据领域公认的数据存储系统，会成为云计算大数据 存储的基石；

• Yarn也会成为一个集群资源管理的标准；

• 在对速度处理时间长度没有特定要求，而又数据量特别大的场景使用Hadoop的MapReduce计算模型进行计算也是可以考虑的；

Q4：“现在都是大型公司在使用Spark，好像中型公司用的不多，比如做电信、 金融的，是这种情况么？比Storm有哪些优势？”

A4：

• 现在，Yahoo！、淘宝、优酷土豆、网易、Baidu、腾讯等已经在商业生产环境下使用Spark技术等；

• Intel、IBM、Linkin、Twwitter等都在大力支持Spark；

• Spark由于其设计的时候的“One Stack to rule them all”的特性，特别适合于中小公司 部署使用，是中小公司处理数据的福音； 中型公司基于Spark大约有5个人的团队即可在Spark之上做数据分析统计、机器学习、 实施流处理计算等；

 

 Q5：“Spark现在不稳定吧，小公司的技术维护较为困难吧”

A5：

• Spark由于其设计的时候的“One Stack to rule them all”的特性，特别适合于中小公司

• 部署使用，是中小公司处理数据的福音；

• 小公司三五个人的团队即可使用和维护几十台的Spark集群；

• DataBricks公司正在和Cloudera等公司合作推出简易使用的商业发行版本；

 

Q6：“Spark是基于内存的分布式计算框架，相比Hadoop处理效率更好， 但是相比硬盘，内存还是贵的，整理性价比如何？能否对比说明一下？”

 

A6：

• 相比硬盘，内存确实是规定，但Spark确实目前云计算大数据领域具有最高性价比的

• 大数据处理框架。

• Spark是继Hadoop之后，成为替代Hadoop的下一代云计算大数据核心技术，目前SPARK已经构建了自己的整个大数据处理生态系统，如流处理、图技术、机器学习、NoSQL查询 等方面都有自己的技术，并且是Apache顶级Project，可以预计的是2014年下半年到2015年在社区和商业应用上会有爆发式的增长。

• Spark的“One stack to rule them all”的特性，使用一个技术堆栈即可解决数据分

析、流处理、图技术、机器学习等

• 关于技术团队，如果使用Hadoop来完成数据分析、流处理、图技术、机器学习等就

需要至少4个技术团队分别负责具体的领域，而使用Spark只需要一个技术团队即可完成；

Q7：“如果数据量无法全部加在进内存（内存太小），这个在机器学习算法里

比较常见，这时候Spark如何处理” ？

 

A7：

• 内存太小对于任何一个系统而言都是一个永恒的问题，对Spark也是如此；

• 因为机器学习中有很多迭代计算，所以对内存要求确实很大；

• Spark有自己相对完善的内存管理策略，对于正在进行的计算肯定是要放在内存中的，

• 但是可以根据LRU等算法把不是太活跃的数据可以物化起来；

• 另外我们可以使用Google等公司的优秀的压缩算法来提高内存的使用，当然在压缩

• 和解压缩的时候需要消耗CPU

Q8：“Spark存在哪些性能瓶颈点”

A8:

• 内存是一个很大的限制，设想一下，如果单台机器的内存很轻易的达到1T的话，肯定

• 可以极大的提高性能；

• 另外一个性能瓶颈就是不同机器之间共享数据的问题，即分布式集群中的机器如何

• 共享内容，推荐大家关注和使用Tachyon。

• 集群中的网速也是一问题，但这是一个通用的问题；

 

 Q9:“规模为10左右，内存32g的集群能支持多大的数据量” ？

A9：

• 现在淘宝、Yahoo！等公司的Spark集群的配置一般内存为200g或300g左右，CPU

• 一般都在8颗以上；

• 规模为10左右，内存32g的集群能够处理多大的数据，取决于当前需要计算的数据量，

• 例如在进行实施流程处理的时候就能够一直不断的处理数据；

• 规模为10左右，内存32g的集群，其硬盘配置 以及Spark内存管理策略和压缩等算法 也是影响数据处理能力的非常大的因素；