MPP架构和Hadoop是两种常用的分布式计算框架，它们在分布式数据处理和大数据分析方面都起到了重要的作用。本文将对MPP架构和Hadoop的区别进行介绍，并通过代码示例来帮助读者更好地理解。

1. MPP架构概述

MPP（Massively Parallel Processing）架构是一种用于分布式计算的架构模式，它将大数据集分割成多个小数据集进行并行处理，以提高计算速度和性能。MPP系统通常由多个节点组成，每个节点都具有自己的计算和存储资源。MPP架构适用于需要高度并行计算的场景，例如复杂的数据分析、数据挖掘和机器学习等任务。

2. Hadoop概述

Hadoop是一个开源的分布式计算框架，最初由Apache基金会开发和维护。Hadoop提供了一种可靠的、可扩展的、分布式的计算模型，用于处理大规模数据集。Hadoop的核心组件包括Hadoop分布式文件系统（HDFS）和MapReduce计算模型。

Hadoop的特点是横向扩展性好，能够处理PB级别的数据，具有高容错性和可靠性。Hadoop使用MapReduce模型来进行数据处理，将数据分成多个小块，然后分发到集群中的多个节点上进行并行处理。

3. MPP架构和Hadoop的区别

虽然MPP架构和Hadoop都是用于分布式计算的框架，但它们在设计理念、数据处理方式和适用场景等方面存在一些区别。

3.1 设计理念

MPP架构的设计理念是将数据集划分为多个小数据集，每个节点独立进行计算，然后将计算结果合并。MPP系统通常采用共享存储和分布式计算的方式，以提高性能和并行处理能力。

Hadoop的设计理念是将数据集分割成多个数据块，然后将数据块分发到集群中的多个节点上进行并行处理。Hadoop使用MapReduce模型来处理数据，将数据划分为多个键值对，然后进行分组、排序和聚合等操作。

3.2 数据处理方式

MPP架构和Hadoop在数据处理方式上也存在一些区别。

在MPP架构中，每个节点都具有自己的计算和存储资源，可以独立处理数据。MPP系统通常使用共享存储，各个节点之间可以直接访问数据，以提高数据处理的效率。

而在Hadoop中，数据被分割成多个数据块，然后分发到集群中的多个节点上进行并行处理。Hadoop使用HDFS作为分布式文件系统，将数据块存储在不同的节点上，然后通过网络进行数据传输和计算。

3.3 适用场景

MPP架构适用于需要高度并行计算的场景，例如复杂的数据分析、数据挖掘和机器学习等任务。MPP系统通常具有较高的计算性能和并行处理能力，能够处理大规模的数据集。

Hadoop适用于存储和处理大规模数据集的场景。Hadoop的分布式文件系统（HDFS）能够存储PB级别的数据，并提供高可靠性和容错性。Hadoop的MapReduce模型适用于数据的批量处理和分析。

4. 代码示例

下面通过一个简单的代码示例来演示MPP架构和Hadoop的数据处理方式。我们以统计单词出现次数为例，分别使用MPP架构和Hadoop进行计算。

4.1 MPP架构示例

from pyspark.sql import SparkSession

# 创建SparkSession对象
spark = SparkSession.builder \