自从spark正式亮相后，其官网上就公开声称其计算速度比hadoop要快10到100倍。我看了后总觉得其存在很大的炒作成份，不太相信。正好单位目前在做一个大数据的项目，于是就借机实实在在的对二者的计算速度进行了比较。正如一句北京土话：是骡子是马，拉出来遛遛。实验过程记录如下。
第一步 安装软件
我先在笔记本上装了个乌班图，然后安装hadoop，接着安装spark,。安装过程不再赘述，但有一点要提一下，spark安装完后，在启动spark-shell的时候，总是提示没有启动hive的metastore服务，这令我很不能理解，我又不用hive存取数据，为什么非要hive的metastore呢？可是找不到其它办法，只能是安装hive了。
Hadoop,spark和hive是本次实验所必须的软件。
第二步 启动服务
先启动hadoop,命令：start-alll.sh。
在将hdfs的安全模式关闭：命令是hdfs dfsadmin -safemode leave。注意，最好关闭安全模式，否则启动metastore的时候出错的概率非常高。
接着启动metastore,命令是hive --service metastore。注意，最好在hive的根目录下执行该命令，在我的电脑上，只有在根目录下才能正常启动，影响不大也就没追究原因。
启动完后，当前命令行客户端就不能在继续使用了，需要重新开启新的命令行客户端进行其它操作。当然可以在执行时通过添加相应的参数来继续使用当前客户端，但对实验影响不大。
在新的命令行客户端中，启动spark,命令是start-all.sh。
至此，所有需要的服务启动完成。
第三步准备数据
下面就需要准备数据了。准备两个文本文件，一个小一些，大约为几兆，另一个要明显大一些，最好在128兆以上，这样在hdfs中就会存储在多个块中了。我将testbed和jtest的使用手册反复的拷贝粘贴，得到一个138兆的文件t1.txt用于实验，另外有准备了一个3兆的小文件t2.txt用于实验。
接着创建输入目录，命令是hadoop dfs -mkdir /input。
通过浏览器访问http://localhost:50070可以看到创建的目录，如果创建成功就可以继续了。
第四步 hadoop计算能力实验
将准备的小文件t2.tx上传到hdfs中，命令是hadoop dfs -put /home/yutian/t2.txt /input。
Hadoop自带词频统计的例子，所以不用编写任何代码，就可以进行hadoop的计算能力实验了。在hadoop根目录下执行词频统计的例子，命令是hadoop jar ./share/hadoop/mapreduce/hadoop-mapreduce-example-2.7.3.jar wordcount /input /output。
执行的同时开始计时，执行完毕后我得到的数据是3秒，由于时间短，时间统计的精度并不高。
记录下时间后，将t2.txt删除，如果不删除后续会报错，命令是：hadoop dfs -rm /input/t2.txt。将输出目录也删除，命令是：hadoop dfs -rmr /output。然后将t1.txt上传到hdfs中。
再次执行词频统计的例子，得到大文件消耗的时间是27秒。
至此，hadoop的计算能力的数据已经获取完毕。
第五步Spark计算能力实验
Spark没有词频统计的例子，所以需要自己编写。根据自己喜好决定是否安装sbt,反正我安装了sbt。编写WordCount.scala文件，关键代码就三行：
Val textFile=sc.textFile("hdfs://localhost:9000/input/t1.txt")
Valcounts=textFile.flatMap(line=>line.split(“ ”)).map(_,1)).reduceByKey(_+_)
Counts.saveAsTextFile("hdfs://localhost:9000/output/s2")
编写好WordCount.scala文件后，在基础目录下，将其打包，命令是：sbt package。打包完成后，词频统计程序就准备完成了。
将hdfs中的output/s2目录删除，当前input中的文件是t1.txt,在基础目录下执行词频统计程序，命令是spark-submit –class “WordCount” –master spark://yutian-ThinkPad-Edge-E440:7077 ./target/scala-2.11/wordcount_2.11-1.0.jar。yutian-ThinkPad-Edge-E440是机器名，注意，spark服务的url要同spark的web页面http://localhost:8080中的服务ur相一致，一开始我使用localhost,结果总提示连接失败，改成机器名后，就成功了。得到大文件消耗的时间是13秒。然后将hdfs中的/output/s2删除，将/input/t1.txt删除，将t2.txt上传至/input中，再次执行词频统计程序，得到t2.txt消耗的时间是4秒。
第六步数据分析
获得的数据列表如下：
Hadoop(s) spark(s)
t1.txt(138M) 27 13
t2.txt(3M) 3 4
由实验数据可以得出如下结论，spark的计算能力方面的确存在优势，并且其优势随着计算任务的复杂程度的增加而扩大。