落地方式不同
mapreduce任務每一次處理完成之后所產生的結果數據只能夠保存在磁盤，后續有其他的job需要依賴於前面job的輸出結果，這里就只能夠進行大量的io操作獲取得到，性能就比較低。
spark任務每一次處理的完成之后所產生的結果數據可以保存在內存中，后續有其他的job需要依賴於前面job的輸出結果，這里就可以直接從內存中獲取得到，大大減少磁盤io操作，性能非常高。
處理方式不同
mapreduce的任務是以進程的方式運行在yarn集群中，比如有100個MapTask要運行，這里就需要開啟100個進程。
spark的任務是以線程的方式運行在worker節點的executor進程中，比如有100個MapTask要運行，這里需要開啟100線程就可以了，這里還可以這樣極端一點：可以只開啟一個進程，在這個進程中運行100個線程就ok了。開啟一個進程與一個線程的代價（資源調度和時間）是不一樣。開啟一個進程是遠遠大於線程所需要的時間。
shuffle操作不同
消除了冗余的MapReduce階段Hadoop的shuffle操作一定連着完整的MapReduce操作，冗余繁瑣。而Spark基於RDD提供了豐富的算子操作，且reduce操作產生shuffle數據，可以緩存在內存中。