spark

阶段性：
一、单机期间
特点：
        1.硬件资源有限：单机体系的盘算本领、存储容量和内存空间都受限于单台盘算机的硬件设置。比方早期的个人电脑，通常只有几百兆的内存和几 GB 的硬盘空间。
        2.数据处理处罚本领有限：重要处理处罚本地产生的小规模数据，数据量一样寻常在 MB 级别到 GB 级别之间。如单机版的财务软件，只处理处罚一个小型企业内部的少量财务数据。
        3.应用场景简朴：重要用于个人办公、简朴的游戏娱乐或小型企业的根本业务处理处罚，如笔墨处理处罚、单机游戏、简朴的库存管理等。
范围性：
    1.无法处理处罚大规模数据：随着业务的发展和数据量的增长，单机体系很快就会碰到存储和处理处罚本领的瓶颈，无法应对海量数据的存储和分析需求。
        2.可靠性和可用性较低：一旦单机出现故障，整个体系就会瘫痪，导致业务制止，数据也大概丢失，没有冗余机制来包管数据的安全和业务的一连性。
        3.扩展性差：难以通过简朴的方式增长盘算和存储资源来满足不停增长的业务需求，升级硬件通常受到兼容性等多种因素的限定。
二、大数据期间-分布式处理处罚
        界说：是将一个大型的盘算使命或数据处理处罚使命分解成多个子使命，然后分配到多个盘算节点（如多台服务器）上举行并行处理处罚，末了将各个子使命的处理处罚结果汇总得到终极结果的过程。
        特点：进步处理处罚本领：通过将使命分散到多个节点上并行盘算，可以大概大大进步数据处理处罚的速率和服从，从而可以在短时间内处理处罚海量数据，满足大数据期间对数据处理处罚的实时性和高效性要求。
三、实时大数据期间
        hadoop慢由于它的盘算结果生存在磁盘将其处理处罚在spark中可办理盘算慢的标题由于spark将盘算结果生存在内存中
        hadoop特点：1.高可靠性  2.高拓展性  3.高效性  4.高容错性