MapReduce vs Tez vs Spark：分布式计算框架深度对比

一、架构设计对比

1.1 核心架构模型

1.2 架构特性对比

特性	MapReduce	Tez	Spark
执行模型	严格Map-Shuffle-Reduce	动态DAG（有向无环图）	弹性分布式数据集（RDD/Dataset）
数据交换	磁盘Shuffle	内存/磁盘混合	内存优先，磁盘备用
任务调度	JobTracker（MR1）/YARN（MR2）	YARN Application Master	Spark Driver
容错机制	任务重试	任务重试	血统（Lineage）+检查点
编程接口	Java API	Java API	Scala/Java/Python/R

二、执行模型深度解析

2.1 MapReduce 执行流程

关键瓶颈：多次磁盘IO导致高延迟

2.2 Tez 执行模型

优化点：

• 运行时动态构建DAG
• 避免不必要的阶段
• 容器复用减少启动开销

2.3 Spark 执行模型

核心优势：

• 内存计算减少IO
• 懒执行优化整体计划
• 阶段划分自动优化

三、性能指标对比

3.1 基准测试数据（100TB数据集）

指标	MapReduce	Tez	Spark
任务启动时间	30秒	5秒	2秒
Shuffle数据量	100TB	80TB	60TB
执行时间	120分钟	75分钟	45分钟
CPU利用率	35%	55%	70%
磁盘IO	180TB	90TB	25TB

3.2 性能特点雷达图

radarChart
    title 性能特点对比
    axis 延迟，吞吐量，内存效率，易用性，生态集成
    "MapReduce" [3, 8, 4, 5, 9]
    "Tez" [6, 7, 6, 6, 7]
    "Spark" [9, 9, 8, 9, 8]

四、适用场景分析

4.1 MapReduce 最佳场景

典型用例：

• 每日TB级日志处理
• 历史数据归档转换
• 兼容Hadoop 1.x环境

4.2 Tez 最佳场景

典型用例：

• Hive LLAP实时查询
• 多阶段ETL流水线
• 资源受限集群
• 需要动态优化的作业

4.3 Spark 最佳场景

典型用例：

• 推荐系统训练
• 实时风控分析
• 图神经网络计算
• 数据湖交互查询

五、编程模型对比

5.1 代码复杂度比较

WordCount示例：

// MapReduce
job.setMapperClass(TokenizerMapper.class);
job.setCombinerClass(IntSumReducer.class);
job.setReducerClass(IntSumReducer.class);

// Tez (通过Hive)
ADD JAR wordcount.jar;
CREATE FUNCTION wordcount AS 'com.example.WordCountUDF';

// Spark
val counts = textFile.flatMap(line => line.split(" "))
                    .map(word => (word, 1))
                    .reduceByKey(_ + _)

5.2 API丰富度

API类型	MapReduce	Tez	Spark
SQL支持	Hive集成	Hive集成	Spark SQL
流处理	无	无	Structured Streaming
机器学习	Mahout	无	MLlib
图计算	无	无	GraphX
库生态系统	有限	有限	丰富（6000+包）

六、集群资源管理

6.1 资源利用率对比

6.2 内存管理机制

框架	内存模型	优化建议
MapReduce	固定Slot	增加Reduce槽位比例
Tez	动态容器	调优容器大小，启用容器复用
Spark	统一内存池	调整storage/execution内存比例

配置示例：

# Tez容器复用
set hive.tez.container.size=8192; # 8GB容器
set hive.tez.container.reuse=true; 

# Spark内存优化
spark.executor.memory=12g
spark.memory.fraction=0.6

七、容错机制对比

7.1 故障恢复策略

故障类型	MapReduce	Tez	Spark
Task失败	重试4次	重试3次	基于血统重新计算
节点故障	重新调度	重新调度	重新调度+检查点恢复
数据丢失	重新读取	重新读取	血统重建
Driver失败	作业失败	作业失败	Cluster模式可恢复

7.2 检查点机制

优势：

• 避免长血统链的开销
• 快速恢复迭代计算状态
• 减少数据重算成本

八、生态集成能力

8.1 Hadoop生态集成

8.2 云原生支持

框架	Kubernetes支持	云存储集成	Serverless部署
MapReduce	有限	HDFS为主	不适用
Tez	YARN on K8s	对象存储	部分支持
Spark	原生支持	Alluxio+对象存储	完全支持

九、选型决策指南

9.1 技术选型矩阵

场景需求	推荐框架	理由
超大规模批处理	MapReduce	稳定性高，资源要求低
Hive交互式查询	Tez	启动快，优化器智能
迭代机器学习	Spark	内存计算效率高
流批一体化	Spark	Structured Streaming成熟
成本敏感型部署	Tez	内存需求低，容器复用
多云环境部署	Spark	Kubernetes原生支持

9.2 混合架构实践

配置建议：

• 批处理：MapReduce/Tez处理历史数据
• 交互分析：Tez执行Hive查询
• 实时处理：Spark Streaming
• 机器学习：Spark MLlib

十、未来演进方向

10.1 技术演进趋势

10.2 框架定位预测

时间轴	MapReduce	Tez	Spark
2023	遗留系统维护	Hive默认引擎	主流计算平台
2025	特定场景使用	优化器增强	统一SQL引擎
2030	逐步淘汰	实时分析专用	AI基础设施

架构师洞察：

1. MapReduce：仍是大数据领域的"瑞士军刀"，尤其适合超大规模、成本敏感的批处理场景
2. Tez：作为Hive的最佳执行引擎，在交互查询和复杂DAG场景表现卓越
3. Spark：已发展成统一的分析引擎，在流处理、机器学习领域具有绝对优势

黄金法则：

• 批处理：TB级以下用Spark，PB级考虑MapReduce
• 交互查询：Hive+Tez是最经济选择
• 实时分析：首选Spark Structured Streaming
• 混合负载：YARN集群同时部署三种框架，按需调用