Hadoop (MapReduce) :分佈式計算框架（批量處理計算框架）
Spark ：內存計算框架（實時計算框架，內存計算框架，流式計算框架）
Spark是通用分佈式數據處理引擎，適用於多種情況。在Spark核心數據處理引擎之上，還有用於SQL，機器學習，圖形計算和流處理的庫，它們可以在應用程序中一起使用。 Spark支持的編程語言包括：Java，Python，Scala和R。應用程序開發人員和數據科學家將Spark集成到其應用程序中，以快速地大規模查詢，分析和轉換數據。與Spark最頻繁相關的任務包括跨大型數據集的ETL和SQL批處理作業，來自傳感器，物聯網或金融系統的流數據處理以及機器學習任務。 Spark可以作爲獨立應用程序運行，也可以在Hadoop YARN之上運行.
Spark和MapReduce之間的區別
Apache Spark和Hadoop MapReduce之間的主要區別是：
1.性能:當所有數據都適合內存時，尤其是在專用集羣上，Spark的性能會更好。 Hadoop MapReduce專爲無法容納在內存中的數據而設計，並且可以與其他服務一起良好運行。
2.使用方便性:Spark易於編程，幷包含交互模式。 Hadoop MapReduce編程難度更大，但是有幾種工具可以簡化它。
3.數據處理：Spark是數據處理的瑞士軍刀，而Hadoop MapReduce是批處理的突擊隊刀。
4.安全：與具有更多安全功能和項目的MapReduce相比，Spark安全性尚不完善。
但是，Spark和MapReduce之間也有一些相似之處-不足爲奇，因爲Spark使用MapReduce作爲其基礎。 Spark和MapReduce之間的相似點包括：
1,成本：Spark更具成本效益，儘管人員配備成本可能更高。 Hadoop MapReduce可能會更便宜，因爲可以提供更多的人員，而且對於海量數據量來說可能更便宜
2,兼容性：Spark與各種數據類型和數據源的兼容性與Hadoop MapReduce相同
3,容錯能力：Spark和Hadoop MapReduce都具有良好的容錯能力，但是Hadoop MapReduce的容錯性稍強。
憑藉其內存中數據處理功能，Spark具有出色的性能並且具有很高的成本效益。它與Hadoop的所有數據源和文件格式兼容，並且學習曲線更快，並且具有適用於多種編程語言的友好API。 Spark甚至包括圖形處理和機器學習功能。
Hadoop MapReduce是一個更成熟的平臺，它是專門爲批處理而構建的。對於無法容納在內存中的超大數據，MapReduce可能比Spark更具成本效益，而且找到具有MapReduce經驗的員工可能更容易。此外，由於許多支持項目，工具和雲服務，MapReduce生態系統目前更大。
但是，即使您認爲Spark在這裏看起來像贏家，也有可能您不會自己使用它。您仍然需要HDFS來存儲數據，並且可能要使用HBase，Hive，Pig，Impala或其他Hadoop項目。這意味着您仍然需要與Spark一起運行Hadoop和MapReduce，以獲取完整的大數據包。
參考：
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/