Hadoop和Spark是目前大數據的兩大架構系統，很多人都喜歡將二者進行比較。但是中培偉業《大數據平臺搭建與高性能計算最佳實踐》培訓專家鐘老師表示，在當前的情況下，簡單地將Hadoop和Spark進行比較甚至二選一是不明智的。

鐘老師認為，直接比較Hadoop和Spark有難度，因為它們處理的許多任務都一樣，但是在一些方面又并不相互重疊。

比如說，Spark沒有文件管理功能，因而必須依賴Hadoop分布式文件系統(HDFS)或另外某種解決方案。將Hadoop MapReduce與Spark作一番比較來得更明智，因為它們作為數據處理引擎更具有可比性。

過去幾年，隨著數據科學趨于成熟，也日益需要用一種不同的方法來處理大數據。Hadoop在一些業務應用領域的表現比后起之秀Spark更勝一籌， 不過Spark在大數據領域有其一席之地，這歸功于它具有速度快、易于使用的優點。本文剖析了兩大平臺的一系列常見屬性，包括性能、容錯、成本、易用性、 數據處理、兼容性和安全性。

Hadoop和Spark方面要記住的最重要一點就是，它們并不是非此即彼的關系，因為它們不是相互排斥，也不是說一方是另一方的簡易替代者。兩者彼此兼容，這使得這對組合成為一種功能極其強大的解決方案，適合諸多大數據應用場合。

乍一看，對任何大數據應用而言，使用Spark似乎是默認選擇。然而，事實并非如此。MapReduce已在大數據市場取得了進展，尤其受到這種公司企業的追捧：需要由商用系統對龐大數據集加以控制。Spark的速度、靈活性和相對易用性對MapReduce的低操作成本來說是絕對補充。

實際上，Spark與MapReduce是一種相互共生的關系。Hadoop提供了Spark所沒有的功能特性，比如分布式文件系統，而Spark 為需要它的那些數據集提供了實時內存處理。完美的大數據場景正是設計人員當初預想的那樣：讓Hadoop和Spark在同一個團隊里面協同運行。