大数据赛道上的单挑：MapReduce与Spark到底谁快？

通常人们认为Spark的性能和速度全面优于MapReduce，但最新的对决显示MapReduce在某些方面也有胜场，而且数据规模越大优势越大。

Apache Spark是当今最火爆的大数据处理框架。通常人们认为Spark的性能和速度全面优于MapReduce，且更加容易使用，而且Spark已经拥有一个庞大的用户和贡献者社区，这意味着Spark更加符合下一代低延迟、实时处理、迭代计算的大数据应用的要求，大有取代MapReduce的趋势。

关于Spark和Mapreduce的性能PK已经在业界进行多次，不少人认为Spark仅仅是在内存计算环境比Mapreduce表现出色，但也有公司认为Spark全面压倒Mapreduce，例如2014年Spark商业化公司Databrick在磁盘环境给Spark做了GraySort跑分测试（下图），显示Spark的磁盘性能也同样彪悍。

那么，Spark真的是全面超越MapReduce了吗？

近日，IBM中国研究中心发布的一篇论文中的比测试显示，在Word Count、K-means和PageRank三类大数据处理任务中，Spark比MapReduce分别快2.5倍、5倍和5倍。这得益于的RDD缓存减少了CPU和磁盘开销。

但是在排序任务（Sort）方面，MapReduce的执行速度是Spark的两倍（两者的速度差异随着数据集规模的增加逐渐拉大，数据集越大，MapReduce的优势越明显，上图），因为MapReduce混编数据的执行模型比Spark的效率高很多。