進入2014年以後，Spark開源碼生態系統大幅增長，已成為大數據範疇最活躍的開源碼項目之壹。Spark之所以有如此多的關註，原因主要是因為Spark具有的高性能、高靈活性、與Hadoop生態系統完美融合等三方面的特點。
首先，Spark對分散的數據集進行抽樣，創新地提出RDD(ResilientDistributedDataset)的概念，所有的統計分析任務被翻譯成對RDD的基本操作組成的有向無環圖(DAG)。RDD可以被駐留在RAM中，往後的任務可以直接讀取RAM中的數據;同時分析DAG中任務之間的依賴性可以把相鄰的任務合並，從而減少了大量不準確的結果輸出，極大減少了HarddiskI/O，使復雜數據分析任務更高效。從這個推算，如果任務夠復雜，Spark比Map/Reduce快壹到兩倍。
其次，Spark是壹個靈活的運算框架，適合做批次處理、工作流、交互式分析、流量處理等不同類型的應用，因此Spark也可以成為壹個用途廣泛的運算引擎，並在未來取代Map/Reduce的地位。
最後，Spark可以與Hadoop生態系統的很多組件互相操作。Spark可以運行在新壹代資源管理框架YARN上，它還可以讀取已有並存放在Hadoop上的數據，這是個非常大的優勢。
雖然Spark具有以上三大優點，但從目前Spark的發展和應用現狀來看，Spark本身也存在很多缺陷，主要包括以下幾個方面：
–穩定性方面，由於代碼質量問題，Spark長時間運行會經常出錯，在架構方面，由於大量數據被緩存在RAM中，Java回收垃圾緩慢的情況嚴重，導致Spark性能不穩定，在復雜場景中SQL的性能甚至不如現有的Map/Reduce。
–不能處理大數據，單獨機器處理數據過大，或者由於數據出現問題導致中間結果超過RAM的大小時，常常出現RAM空間不足或無法得出結果。然而，Map/Reduce運算框架可以處理大數據，在這方面，Spark不如Map/Reduce運算框架有效。
–不能支持復雜的SQL統計;目前Spark支持的SQL語法完整程度還不能應用在復雜數據分析中。在可管理性方面，SparkYARN的結合不完善，這就為使用過程中埋下隱憂，容易出現各種難題。
雖然Spark活躍在Cloudera、MapR、Hortonworks等眾多知名大數據公司，但是如果Spark本身的缺陷得不到及時處理，將會嚴重影響Spark的普及和發展。