Spark是为了规避Hadoop MapReduce的缺陷而出现，试列举Hadoop MapReduce的几个缺陷，并说明Spark具备哪些优点？

Hadoop MapReduce的主要缺陷有：

1. 低效性：Hadoop MapReduce处理数据时，需要将数据写入磁盘，这会导致大量的磁盘读写，降低了效率。

2. 不适合迭代式计算：Hadoop MapReduce的计算模型是批处理，不支持迭代式计算，而很多机器学习和图计算算法都需要迭代计算。

3. 存储格式单一：Hadoop MapReduce只能处理HDFS上的数据，而且只支持一种存储格式，这限制了数据的灵活性。

4. 不支持实时处理：Hadoop MapReduce只能在批处理模式下运行，不能实时处理数据。

相比之下，Spark具备以下优点：

1. 高效性：Spark使用内存计算，能够将中间结果保存在内存中，避免了磁盘读写的开销，提高了效率。

2. 适合迭代式计算：Spark提供了RDD（弹性分布式数据集）的概念，能够缓存数据并重复使用，支持迭代计算。

3. 多种存储格式：Spark可以处理多种存储格式的数据，比如HDFS、HBase、Cassandra等，同时还支持各种数据源的读写，灵活性更高。

4. 支持实时处理：Spark提供了Spark Streaming模块，支持实时处理数据。

5. 易于使用：Spark提供了丰富的API和编程语言支持，用户可以使用Scala、Java、Python等编程语言编写Spark应用程序。

综上所述，Spark相比Hadoop MapReduce具有更高的效率、更好的数据处理能力、更灵活的数据源支持和更好的迭代计算能力。