java - 最近对大数据感兴趣，hadoop是不是过时了，应该深入学习spark？

学习Hadoop和学Spark不冲突，目前大部分公司在使用Spark的时候，数据存储还是放到Hadoop HDFS上的。Spark SQL和Hive的都是可以用类SQL，是相通的。

hadoop是分布式计算的基础设施。Spark最多只能代替Hadoop MapReduce。很多大数据技术工具都基于HDFS和MapReduce，包括HBASE Hive Sqoop kafka等。当然做开发直接学习Spark更高，入门简单

目前，Hadoop已经进入2.0时代。它一共有三个组件：HDFS，YARN以及MapReduce。HDFS是分布式文件系统，负责存储输入和输出数据；YARN是分布式资源管理系统，负责调度集群的CPU和内存；而MapReduce是分布式计算框架，是Google为了进行网页排序(PageRank)而设计的， 一种非常通用的编程模型，可以用于编写单词计数， 网页排序(PageRank)等各种大数据处理程序。

Hadoop MapReduce，Spark，Storm等等都是分布式计算框架，分别适用于不同的应用场景。Hadoop MapReduce做离线计算比如日志处理，Spark跑机器学习，Storm做实时流计算。这样说吧， 它们相当于手机上不同的APP， 有着不同的功能。因此，严格来说并没有什么谁替代谁的问题，不同的计算框架适用于不同的应用场景。当然，Spark与Hadoop YARN可以用于完成同一种任务，且Spark执行性能更好，但是Spark更耗内存。因此，Spark并非可以完全替代Hadoop MapReduce，因为有些应用使用Hadoop MapReduce执行时间长一点没有问题，可以节省内存资源。

还有，Hadoop Mapreduce，Spark，Storm以及很多其他分布式计算框架均属于Hadoop生态系统，他们可以跑在同一个Hadoop集群， 共享HDFS和YARN。将这些计算框架比作手机上的APP的话，则Hadoop的HDFS与YARN相当于手机的操作系统。

所以，我的建议是：

1. Hadoop是大数据入门必须掌握的。因为MapReduce是最基础的分布式计算框架， 其他分布式计算框架比如Spark是依赖它构建，理解MapReudce才能理解其他系统。然后，Hadoop是其他Hadoop生态系统计算框架的运行平台，绕不开的。

2. 根据公司需要学习Spark等其他计算框架，自学仅仅是入门，通过编写实际应用才能真正掌握。

我的博客也许能帮你快速搭建Hadoop测试环境:

• 基于Docker搭建Hadoop集群之升级版

Hadoop并不仅仅是指Hadoop的计算模型MapReduce，而是指Hadoop生态圈，包括HDFS、HBase、Hive等。Spark也只是替代和丰富了Hadoop中的计算模型，其运行还需依赖于Hadoop生态圈的其它部分。所以我觉得如果仅仅是指Hadoop中的计算模型MapReduce，确实在某种程度上是过时的（但是也有适合场景）。

感兴趣的话可以看看这篇文章：Spark And Hadoop Are Friends, Not Foes