1樓：take me
mapreduce肯定是要深入學習的，最好看看原始碼，對你理解分布式計算大有裨益。mapreduce，spark,flink都是計算框架，每一種都有其設計的優劣，至於背不背淘汰看公司和業需求吧。
2樓：大資料技術架構
首先，Spark的出現對MapReduce的影響巨大，甚至Spark可以完全取代MapReduce，具體優勢總結有三點：
1、基於記憶體的迭代計算，中間結果可以不落地，綜合性能比MapReduce提公升10~100倍
2、提供更豐富的運算元，不侷限於map與reduce，還包括filter、flatmap、groupbykey...
3、生態比較完善，不像MapReduce只提供離線計算，Spark不僅提供了Spark Core程式設計模型，還提供Spark SQL、Spark Streaming、GraphX、MLlib等模組解決不同場景下的問題。
其次，要不要學習或者深入學習MapReduce？個人覺得是必須要學習的，學習MapReduce是乙個不可跳躍的過程，掌握MapReduce的整體機制，包括它的資料就近原則、計算遷移的思想、shuffle的過程等，更深入理解它的原理與機制，對後面其他相關引擎包括Spark的學習都大有裨益。此外，相對Spark，MapReduce資源控制粒度更細、相對比較穩定，目前仍由很多公司在使用MapReduce。
最後，MapReduce未來會不會被淘汰？這個說不好，短期內不會，即使後面大家都不怎麼用MapReduce了，基於上面的分析，學習MapReduce也是很有必要的。
3樓：喵感資料
完全替代目前還是不可能吧，乙個技術的出現到成熟需要很長的過程，只會有乙個技術漸漸沒落直至用的人越來越少，這個過程很漫長，現在很多公司做離線計算還是用MapReduce的。
4樓：Hoyt Ren
我再補充一句，我這裡說的mr特指hadoop的mr。實際上適合用mr解決的問題，不管spark還是別的啥，完成業務邏輯的過程中，跟hadoop基本沒區別，只是說spark和其它工具能做更多的事情，有更好的表現。所以現在學hadoop，以後換了別的工具，稍微學習下，就一樣用。
我感覺，spark已經面臨被替代了，就像兩三年前它替代mr一樣。當然，替代是乙個長期的過程，就好比Oracle現在還是有人在用一樣。
Spark中的narrow wide dependency如何理解，有什麼作用
Dennis Mikolaj Spark 區分narrow 和 shuffle dependency的目的其實就是確定是否要shuffle。也就是劃分stage。而stage的目的是什麼呢？stage的英文意思是階段，也就是說要等前乙個stage的tasks全部計算完成才能進行下乙個stage。弄明...
spark和deeplearning的關係，想做大資料處理分析，是該專注於學spark還是深度學習呢？
這得看題主將來是想找更偏重演算法還是更偏重系統開發的工作？當然兩者都擅長是最好了，但是Spark好像不太適合deep learning，題主可以嘗試一下別的框架，例如tensorflow，caffe。ps，我覺得你應該聽你導師的，逃！ 沒啥關係。Spark只是乙個框架而已，在上面跑什麼都可以。把Sp...
有什麼關於 Spark 的書推薦？
Lijie Xu 推薦一下自己寫的書 大資料處理框架Apache Spark設計與實現 書的內容是以Apache Spark為主，系統總結了大資料處理框架的一些基本問題 設計原理 實現方案 以及效能和可靠性。相比之前在github上寫的 SparkInternals 內容更完善專業深入，書中大概有一...