Hadoop和Spark都是大數據處理技術，但它們之間存在一些區別和異同點。

1. 數據處理方式：Hadoop採用MapReduce計算模型，而Spark採用基於內存的計算方式。

2. 處理速度：相比Hadoop，Spark的處理速度更快，因為它可以將數據加載到內存中並在內存中進行計算，而Hadoop需要將數據從磁盤中加載到內存中進行計算。

3. 處理範圍：Hadoop適用於大規模數據處理和批量處理，而Spark除了可以進行批量處理，還可以實時處理流數據。

4. 編程語言：Hadoop主要採用Java編程語言，而Spark則採用Scala、Java或Python等多種編程語言。

5. 生態系統：Hadoop擁有完整的生態系統，包括Hive、Hbase、Pig等組件，而Spark生態系統相對較小，但正在不斷壯大。

6. 資源利用：Hadoop的資源利用率較低，而Spark可以充分利用資源，包括CPU、內存等。

綜上所述，Hadoop和Spark都是處理大數據的技術，但它們之間存在一些不同點，選擇哪個技術取決於具體的需求和場景。

Hadoop和Spark都是大數據處理的常用工具，二者的異同點如下：

Hadoop是基於MapReduce框架的分佈式計算系統，而Spark則是一種基於內存計算的數據處理框架。

相對於Hadoop，Spark擁有更快的處理速度和更高的性能，尤其在迭代式計算和機器學習等場景下更具優勢。

Hadoop更適合處理批處理任務，而Spark則更適合處理流式計算和實時數據處理等任務。

在數據存儲方面，Hadoop主要採用分佈式文件系統HDFS，而Spark則可以與多種數據存儲系統集成。

總的來說，Hadoop和Spark在不同的數據處理場景下有不同的優勢，可以根據具體需求進行選擇。

Spark是UC Berkeley AMP lab所開源的類Hadoop MapReduce的通用的並行計算框架，Spark基於map reduce算法實現的分佈式計算，擁有Hadoop MapReduce所具有的優點。　　

但不同於MapReduce的是Job中間輸出結果可以保存在內存中，從而不再需要讀寫HDFS，因此Spark能更好地適用於數據挖掘與機器學習等需要迭代的map reduce的算法。　　優勢應該在於分佈式架構比較相似能快速上手吧。

Spark：專為大規模數據處理而設計的快速通用的計算引擎，是一種與 Hadoop 相似的開源集群計算環境，擁有Hadoop MapReduce所具有的優點，Spark是MapReduce的替代方案，而且兼容HDFS、Hive，可融入Hadoop的生態系統，以彌補MapReduce的不足。

Spark主要用於大數據的計算，而Hadoop以後主要用於大數據的存儲（比如HDFS、Hive、HBase等），以及資源調度（Yarn）。Spark+Hadoop，是目前大數據領域最熱門的組合。