在Spark出現(xiàn)之前，要在一個組織內(nèi)同時完成數(shù)種大數(shù)據(jù)分析任務(wù)，就不得不與多套特化系統(tǒng)打交道，一方面引入了不容小覷的運(yùn)維復(fù)雜性，另一方面還免不了要在多個系統(tǒng)間頻繁進(jìn)行代價高昂的數(shù)據(jù)轉(zhuǎn)儲（ETL）。AMPLab在介紹以Spark為核心的BDAS時常說的一句話是：one stack to rule them all，也就是說可以在一套軟件棧內(nèi)完成前述各種大數(shù)據(jù)分析任務(wù)。相對于MapReduce上的批量計算、迭代型計算以及基于Hive的SQL查詢，Spark更是可以帶來一到兩個數(shù)量級的效率提升，在傳統(tǒng)MapReduce近乎不可能的交互式即席查詢也因而得以實現(xiàn)。