埃尔法哥哥且看新一代计算引擎Spark和Flink成王败寇,大数据时代

前言
埃尔法哥哥且看新一代计算引擎Spark和Flink成王败寇,大数据时代
文章图片
做大数据绝对躲不过的一个热门话题就是实时流计算 , 而提到实时流计算 , 就不得不提Spark和Flink 。 Spark从2014年左右开始迅速流行 , 刚推出时除了在某些场景比HadoopMapReduce带来几十到上百倍的性能提升外 , 还提出了用一个统一的引擎支持批处理、流处理、交互式查询、机器学习等常见的数据处理场景 。 凭借高性能和全面的场景支持 , Spark早已成为众多大数据开发者的最爱 。
正在Spark如日中天高速发展的时候 , 2016年左右Flink开始进入大众的视野并逐渐广为人知 。 由于Spark在数据流的实时处理中较弱 , 而Flink凭借更优的流处理引擎 , 同时也支持各种处理场景 , 成为Spark的有力挑战者 。
本文对Spark和Flink进行了全面分析与对比 , 且看下一代大数据计算引擎之争 , 谁主沉浮?
Spark简介
埃尔法哥哥且看新一代计算引擎Spark和Flink成王败寇,大数据时代
文章图片
Spark是基于内存的计算框架 , 计算速度非常快 。 如果想要对接外部的数据 , 比如HDFS读取数据 , 需要事先搭建一个Hadoop集群 。 ApacheSpark是一个开源集群运算框架 , 相对于Hadoop的MapReduce会在运行完工作后将中介数据存放到磁盘中 , Spark使用了存储器内运算技术 , 能在数据尚未写入硬盘时即在存储器内分析运算 。
Flink简介
埃尔法哥哥且看新一代计算引擎Spark和Flink成王败寇,大数据时代
文章图片
Flink是一个针对流数据和批数据的分布式处理引擎 。 它主要是由Java代码实现 。 目前主要还是依靠开源社区的贡献而发展 。 对Flink而言 , 其所要处理的主要场景就是流数据 , 批数据只是流数据的一个极限特例而已 。 再换句话说 , Flink会把所有任务当成流来处理 , 这也是其最大的特点 。 Flink可以支持本地的快速迭代 , 以及一些环形的迭代任务 。
Flink和Spark对比
Spark和Flink都支持批处理和流处理 , 接下来让我们对这两种流行的数据处理框架在各方面进行对比 。 首先 , 这两个数据处理框架有很多相同点 。
都基于内存计算;
都有统一的批处理和流处理APl , 都支持类似SQL的编程接口;
都支持很多相同的转换操作 , 编程都是用类似于ScalaCollectionAPl的函数式编程模式;
都有完善的错误恢复机制;
都支持Exactlyonce的语义一致性 。
当然 , 它们的不同点也是相当明显 , 我们可以从4个不同的角度来看 。
从流处理的角度来讲 , Spark基于微批量处理 , 把流数据看成是一个个小的批处理数据块分别处理 , 所以延迟性只能做到秒级 。 而Flink基于每个事件处理 , 每当有新的数据输入都会立刻处理 , 是真正的流式计算 , 支持毫秒级计算 。 由于相同的原因 , Spark只支持基于时间的窗口操作(处理时间或者事件时间) , 而Flink支持的窗口操作则非常灵活 , 不仅支持时间窗口 , 还支持基于数据本身的窗口 , 开发者可以自由定义想要的窗口操作 。
从SQL功能的角度来讲 , Spark和Flink分别提供SparkSQL和TableAPl提供SQL交互支持 。 两者相比较 , Spark对SQL支持更好 , 相应的优化、扩展和性能更好 , 而Flink在SQL支持方面还有很大提升空间 。
从迭代计算的角度来讲 , Spark对机器学习的支持很好 , 因为可以在内存中缓存中间计算结果来加速机器学习算法的运行 。 但是大部分机器学习算法其实是一个有环的数据流 , 在Spark中 , 却是用无环图来表示 。 而Flink支持在运行时间中的有环数据流 , 从而可以更有效的对机器学习算法进行运算 。
从相应的生态系统角度来讲 , Spark的社区无疑更加活跃 。 Spark可以说有着Apache旗下最多的开源贡献者 , 而且有很多不同的库来用在不同场景 。 而Flink由于较新 , 现阶段的开源社区不如Spark活跃 , 各种库的功能也不如Spark全面 。 但是Flink还在不断发展 , 各种功能也在逐渐完善 。


推荐阅读