MapReduce的缺点：
1.开发
wordcount程序复杂
只支持map和reduce方法
执行效率低下
以作业连方式串起来执行
打包
2.运行速度：
map输出写到磁盘，reduce写到hdfs，磁盘I/O，网络I/O，序列化等压力大
map任务和reduce任务以进程方式运行
一定要求排序（其实有时候不需要）
不适合迭代处理，交互式（数据挖掘）处理，流式处理
3.框架多样性：
维护和学习成本大
Spark特点：
速度快，使用方便，通用性，可以运行在hadoop,Hadoop, Mesos, Kubernetes, standalone, cloud
Hadoop生态系统和Spark生态系统：
BDAS：Berkeley Data Analytics Stack
Hadoop和Spark生态圈：
hadoop对比Spark：
MapReduce和Spark对比：
Spark和hadoop的协作性：
hadoop优势：
1.规模可以拓展
2.可靠，多租户，安全、
3.处理文件，数据库，半结构化数据
Spark：
1.容易开发
2.基于内存
3.联合多个子框架
Hadoop+Spark
Spark开发语言及运行模式：
开发语言：Java，python，Scala（推荐）
运行模式：standlone（内置），yarn，mesos，local
分布式计算框架Flink：
概述：开源流式的处理框架
分布式，高性能，精确计算流处理应用
框架类型：
仅批处理框架：
Apache Hadoop
Hive
pig
仅流处理框架：
Apache Storm，JStormApache Samza
混合框架：
Apache Spark
Apache Flink
交互式计算：
Impala
大数据处理神器Beam：
老三驾：GFS，MapReduce，BigTable
新三驾：Dremel，Pregel，Caffeine