Hadoop (MapReduce) :分布式计算框架（批量处理计算框架）
Spark ：内存计算框架（实时计算框架，内存计算框架，流式计算框架）
Spark是通用分布式数据处理引擎，适用于多种情况。在Spark核心数据处理引擎之上，还有用于SQL，机器学习，图形计算和流处理的库，它们可以在应用程序中一起使用。 Spark支持的编程语言包括：Java，Python，Scala和R。应用程序开发人员和数据科学家将Spark集成到其应用程序中，以快速地大规模查询，分析和转换数据。与Spark最频繁相关的任务包括跨大型数据集的ETL和SQL批处理作业，来自传感器，物联网或金融系统的流数据处理以及机器学习任务。 Spark可以作为独立应用程序运行，也可以在Hadoop YARN之上运行.
Spark和MapReduce之间的区别
Apache Spark和Hadoop MapReduce之间的主要区别是：
1.性能:当所有数据都适合内存时，尤其是在专用集群上，Spark的性能会更好。 Hadoop MapReduce专为无法容纳在内存中的数据而设计，并且可以与其他服务一起良好运行。
2.使用方便性:Spark易于编程，并包含交互模式。 Hadoop MapReduce编程难度更大，但是有几种工具可以简化它。
3.数据处理：Spark是数据处理的瑞士军刀，而Hadoop MapReduce是批处理的突击队刀。
4.安全：与具有更多安全功能和项目的MapReduce相比，Spark安全性尚不完善。
但是，Spark和MapReduce之间也有一些相似之处-不足为奇，因为Spark使用MapReduce作为其基础。 Spark和MapReduce之间的相似点包括：
1,成本：Spark更具成本效益，尽管人员配备成本可能更高。 Hadoop MapReduce可能会更便宜，因为可以提供更多的人员，而且对于海量数据量来说可能更便宜
2,兼容性：Spark与各种数据类型和数据源的兼容性与Hadoop MapReduce相同
3,容错能力：Spark和Hadoop MapReduce都具有良好的容错能力，但是Hadoop MapReduce的容错性稍强。
凭借其内存中数据处理功能，Spark具有出色的性能并且具有很高的成本效益。它与Hadoop的所有数据源和文件格式兼容，并且学习曲线更快，并且具有适用于多种编程语言的友好API。 Spark甚至包括图形处理和机器学习功能。
Hadoop MapReduce是一个更成熟的平台，它是专门为批处理而构建的。对于无法容纳在内存中的超大数据，MapReduce可能比Spark更具成本效益，而且找到具有MapReduce经验的员工可能更容易。此外，由于许多支持项目，工具和云服务，MapReduce生态系统目前更大。
但是，即使您认为Spark在这里看起来像赢家，也有可能您不会自己使用它。您仍然需要HDFS来存储数据，并且可能要使用HBase，Hive，Pig，Impala或其他Hadoop项目。这意味着您仍然需要与Spark一起运行Hadoop和MapReduce，以获取完整的大数据包。
参考：
https://www.xplenty.com/blog/apache-spark-vs-hadoop-mapreduce/
https://intellipaat.com/blog/what-is-apache-spark/
https://mapr.com/blog/spark-101-what-it-what-it-does-and-why-it-matters/
