個人覺得不會。因為兩者的側重點不同，使用場景不同，個人認為沒有替代之說。Spark更適合於迭代運算比較多的ML和DM運算。因為在Spark裡面，有RDD的概念。RDD可以cache到記憶體中，那麼每次對RDD資料集的操作之後的結果，都可以存放到記憶體中，下一個操作可以直接從記憶體中輸入，省去了MapReduce大量的磁碟IO操作。但是，我們也要看到spark的限制：記憶體。我認為Hadoop雖然費時，但是在OLAP等大規模資料的應用場景，還是受歡迎的。

目前Hadoop涵蓋了從資料收集、到分散式儲存，再到分散式計算的各個領域，在各領域都有自己獨特優勢。

根據現有的發展，目前spark還不能完全代替Hadoop。

我們知道Hadoop包含三個元件yarn，hdfs，MapReduce，分別對應解決三個方面的問題，資源排程(yarn)，分散式儲存(hdfs)，分散式計算(mapreudce)。而spark只解決了分散式計算方面的問題，跟MapReduce需要頻繁寫磁碟不同，spark重複利用記憶體，大大提高了計算效率，在分散式計算方面spark大有取代MapReduce之勢，而在資源排程，和分散式儲存方面spark還無法撼動。

Spark可以對Hadoop起到一個很好的補充作用，而且在某種程度上，兩者可以並行。Hadoop建立分散式檔案系，而Spark負責進行高效地資料運算，從而搭建一個理想的大資料處理平臺。

Hadoop解決了大資料（大到一臺計算機無法進行儲存，一臺計算機無法在要求的時間內進行處理）的可靠儲存和處理。

HDFS，在由普通PC組成的叢集上提供高可靠的檔案儲存，透過將塊儲存多個副本的辦法解決伺服器或硬碟壞掉的問題。

MapReduce，透過簡單的Mapper和Reducer的抽象提供一個程式設計模型，可以在一個由幾十臺上百臺的PC組成的不可靠叢集上併發地，分散式地處理大量的資料集，而把併發、分散式（如機器間通訊）和故障恢復等計算細節隱藏起來。而Mapper和Reducer的抽象，又是各種各樣的複雜資料處理都可以分解為的基本元素。尚學堂陳老師指出，複雜的資料處理可以分解為由多個Job（包含一個Mapper和一個Reducer）組成的有向無環圖（DAG）,然後每個Mapper和Reducer放到Hadoop叢集上執行，就可以得出結果。

Spark在於運算速度快。Spark還可以執行批次處理，然而它真正擅長的是處理流工作負載、互動式查詢和機器學習。

相比MapReduce基於磁碟的批次處理引擎，Spark賴以成名之處是其資料實時處理功能。Spark與Hadoop及其模組相容。實際上，在Hadoop的專案頁面上，Spark就被列為是一個模組。Spark有自己的頁面，因為雖然它可以透過YARN(另一種資源協調者)在Hadoop叢集中執行，但是它也有一種獨立模式。它可以作為 Hadoop模組來執行，也可以作為獨立解決方案來執行。MapReduce和Spark的主要區別在於，MapReduce使用持久儲存，而Spark使用彈性分散式資料集(RDDS)。