最近使用MapReduce进行数据处理时，切实体会到了其不足的地方。由于要对模型进行参数优化，需要迭代多次求精。这本是机器学习算法中非常常见的操作，但是使用MapReduce却非常难以快速高效的完成。于是将目光转向了另一个开源集群计算环境Spark。
http://www.oschina.net/p/spark-project
Spark 是一种与 Hadoop 相似的开源集群计算环境，但是两者之间还存在一些不同之处，这些有用的不同之处使 Spark 在某些工作负载方面表现得更加优越，换句话说，Spark 启用了内存分布数据集，除了能够提供交互式查询外，它还可以优化迭代工作负载。
Spark 是在 Scala 语言中实现的，它将 Scala 用作其应用程序框架。与 Hadoop 不同，Spark 和 Scala 能够紧密集成，其中的 Scala 可以像操作本地集合对象一样轻松地操作分布式数据集。
尽管创建 Spark 是为了支持分布式数据集上的迭代作业，但是实际上它是对 Hadoop 的补充，可以在 Hadoo 文件系统中并行运行。通过名为 Mesos 的第三方集群框架可以支持此行为。Spark 由加州大学伯克利分校 AMP 实验室 (Algorithms, Machines, and People Lab) 开发，可用来构建大型的、低延迟的数据分析应用程序。
hadoop 和 Spark 两种计算集群同样迭代情况下计算时间的比较
另一篇比较好的文章： Spark，一种快速数据分析替代方案
已为社区贡献1条内容
所有评论(0)