Hadoop 和 Spark 都是大数据处理领域的开源框架，它们都可以用来处理海量的数据。

　　由于 Hadoop 和 Spark 非常不同，它们分别擅长不同的事情。简而言之，如果需要处理海量数据，并进行离线以及批量处理任务，那么用 Hadoop 框架是更好的选择;而如果需要处理数据流或实时数据以及需要进行交互式的查询和分析，那么使用 Spark 框架则更为合适。

　　以下是一些常见情况下 Hadoop 和 Spark 的优缺点：

　　适用于 Hadoop 的情况：

• 批处理作业：如果需要处理大规模的离线数据，Hadoop 的 MapReduce 作业适合进行批处理和一次性分析。
• 成本：Hadoop 是一款开源软件，相比于收费的 Spark，使用起来更加经济实惠。
• 可伸缩性：Hadoop 可以处理 PB 级别的数据，其存储和计算能力可以根据需要进行扩展。

　　适用于 Spark 的情况：

• 迭代计算：Spark 的内存计算引擎可以支持迭代计算的任务，并且速度比 Hadoop 快多了。
• 实时流处理：Spark 支持基于流的计算，并且可以对数据进行实时分析和处理。
• 交互式查询：Spark 支持基于 SQL 的交互式查询，可以满足需要实时数据查询和分析的需求。
• 机器学习：Spark 的内置机器学习库支持进行大规模的机器学习计算。

　　综上所述，选择 Hadoop 还是 Spark 取决于具体的需求和用例。如果需要离线大批量数据处理，使用 Hadoop 是更合适的;如果需要实时流处理、交互式查询、迭代计算和机器学习等，使用 Spark 则是更好的选择。