在处理大规模数据时，采用 Hadoop 或 Spark 框架能够显著优化数据处理效能。请阐述这两种技术在提升大数据分析效率方面各自的特点和适用场景。

回答思路

1. 【回答框架 1】Hadoop 的 MapReduce 通过将数据分片并行处理，利用分布式存储和计算提升吞吐量，但每次作业需磁盘读写，适合批处理和离线分析。
2. 【回答框架 2】Spark 基于内存计算，通过 RDD 的惰性求值和 DAG 调度优化，减少中间结果落盘，迭代计算性能显著优于 Hadoop，适合实时和交互式分析。
3. 【回答框架 3】Hadoop 生态包含 HDFS 和 YARN，提供高可靠性存储和资源管理；Spark 可独立或运行于 YARN 上，但需较大内存配置。
4. 【回答框架 4】选择时，若数据量极大且对延迟要求不高，Hadoop 成本较低；若需快速迭代或流处理，Spark 更优。实际中常结合使用，如用 Spark 计算后存至 HDFS。
5. 【关键点 1】Hadoop 通过分布式存储和并行计算提升吞吐，但磁盘 I/O 开销大。
6. 【关键点 2】Spark 利用内存计算和 DAG 优化减少磁盘读写，速度快。
7. 【关键点 3】Spark 适合迭代算法和实时处理，Hadoop 适合离线批处理。
8. 【关键点 4】具体效率提升受集群资源、数据倾斜和代码优化影响。
9. 【易错点 1】忽视内存限制，Spark 在大数据量下可能出现 OOM，需合理设置资源。
10. 【易错点 2】误认为 Spark 一定比 Hadoop 快，实际取决于数据量和计算模式。
11. 【易错点 3】忽略数据倾斜，导致部分节点过载，降低整体效率。