Hadoop凌停、Spark等5種大數(shù)據(jù)框架對(duì)比粱年，你的項(xiàng)目該用哪種？

大家還在糾結(jié)用哪個(gè)框架合適苦锨？一篇文章幫你快速分辨Hadoop逼泣、Spark趴泌、Storm舟舒、Samza和Flink這五種大數(shù)據(jù)框架的優(yōu)勢(shì)和局限

大數(shù)據(jù)是收集、整理嗜憔、處理大容量數(shù)據(jù)集秃励，并從中獲得見(jiàn)解所需的非傳統(tǒng)戰(zhàn)略和技術(shù)的總稱。雖然處理數(shù)據(jù)所需的計(jì)算能力或存儲(chǔ)容量早已超過(guò)一臺(tái)計(jì)算機(jī)的上限吉捶，但這種計(jì)算類型的普遍性夺鲜、規(guī)模，以及價(jià)值在最近幾年才經(jīng)歷了大規(guī)模擴(kuò)展呐舔。

本文將介紹大數(shù)據(jù)系統(tǒng)一個(gè)最基本的組件：處理框架币励。處理框架負(fù)責(zé)對(duì)系統(tǒng)中的數(shù)據(jù)進(jìn)行計(jì)算，例如處理從非易失存儲(chǔ)中讀取的數(shù)據(jù)珊拼，或處理剛剛攝入到系統(tǒng)中的數(shù)據(jù)食呻。數(shù)據(jù)的計(jì)算則是指從大量單一數(shù)據(jù)點(diǎn)中提取信息和見(jiàn)解的過(guò)程。

下文將介紹這些框架：

僅批處理框架： Apache Hadoop

僅流處理框架： Apache Storm澎现、Apache Samza

混合框架： Apache Spark仅胞、Apache Flink

大數(shù)據(jù)處理框架是什么

處理框架和處理引擎負(fù)責(zé)對(duì)數(shù)據(jù)系統(tǒng)中的數(shù)據(jù)進(jìn)行計(jì)算。雖然“引擎”和“框架”之間的區(qū)別沒(méi)有什么權(quán)威的定義剑辫，但大部分時(shí)候可以將前者定義為實(shí)際負(fù)責(zé)處理數(shù)據(jù)操作的組件干旧，后者則可定義為承擔(dān)類似作用的一系列組件。

例如Apache Hadoop可以看作一種以MapReduce作為默認(rèn)處理引擎的處理框架妹蔽。引擎和框架通匙得校可以相互替換或同時(shí)使用挠将。例如另一個(gè)框架Apache Spark可以納入Hadoop并取代MapReduce。組件之間的這種互操作性是大數(shù)據(jù)系統(tǒng)靈活性如此之高的原因之一编整。

雖然負(fù)責(zé)處理生命周期內(nèi)這一階段數(shù)據(jù)的系統(tǒng)通常都很復(fù)雜捐名，但從廣義層面來(lái)看它們的目標(biāo)是非常一致的：通過(guò)對(duì)數(shù)據(jù)執(zhí)行操作提高理解能力，揭示出數(shù)據(jù)蘊(yùn)含的模式闹击，并針對(duì)復(fù)雜互動(dòng)獲得見(jiàn)解镶蹋。

為了簡(jiǎn)化這些組件的討論，我們會(huì)通過(guò)不同處理框架的設(shè)計(jì)意圖赏半，按照所處理的數(shù)據(jù)狀態(tài)對(duì)其進(jìn)行分類贺归。一些系統(tǒng)可以用批處理方式處理數(shù)據(jù)，一些系統(tǒng)可以用流方式處理連續(xù)不斷流入系統(tǒng)的數(shù)據(jù)断箫。此外還有一些系統(tǒng)可以同時(shí)處理這兩類數(shù)據(jù)拂酣。

在深入介紹不同實(shí)現(xiàn)的指標(biāo)和結(jié)論之前，首先需要對(duì)不同處理類型的概念進(jìn)行一個(gè)簡(jiǎn)單的介紹仲义。

批處理系統(tǒng)

批處理在大數(shù)據(jù)世界有著悠久的歷史婶熬。批處理主要操作大容量靜態(tài)數(shù)據(jù)集，并在計(jì)算過(guò)程完成后返回結(jié)果埃撵。

批處理模式中使用的數(shù)據(jù)集通常符合下列特征...

有界：批處理數(shù)據(jù)集代表數(shù)據(jù)的有限集合

持久：數(shù)據(jù)通常始終存儲(chǔ)在某種類型的持久存儲(chǔ)位置中

大量：批處理操作通常是處理極為海量數(shù)據(jù)集的唯一方法

批處理非常適合需要訪問(wèn)全套記錄才能完成的計(jì)算工作赵颅。例如在計(jì)算總數(shù)和平均數(shù)時(shí)，必須將數(shù)據(jù)集作為一個(gè)整體加以處理暂刘，而不能將其視作多條記錄的集合饺谬。這些操作要求在計(jì)算進(jìn)行過(guò)程中數(shù)據(jù)維持自己的狀態(tài)。

需要處理大量數(shù)據(jù)的任務(wù)通常最適合用批處理操作進(jìn)行處理谣拣。無(wú)論直接從持久存儲(chǔ)設(shè)備處理數(shù)據(jù)集募寨，或首先將數(shù)據(jù)集載入內(nèi)存，批處理系統(tǒng)在設(shè)計(jì)過(guò)程中就充分考慮了數(shù)據(jù)的量森缠，可提供充足的處理資源拔鹰。由于批處理在應(yīng)對(duì)大量持久數(shù)據(jù)方面的表現(xiàn)極為出色，因此經(jīng)常被用于對(duì)歷史數(shù)據(jù)進(jìn)行分析贵涵。

大量數(shù)據(jù)的處理需要付出大量時(shí)間列肢，因此批處理不適合對(duì)處理時(shí)間要求較高的場(chǎng)合。

Apache Hadoop

Apache Hadoop是一種專用于批處理的處理框架独悴。Hadoop是首個(gè)在開(kāi)源社區(qū)獲得極大關(guān)注的大數(shù)據(jù)框架例书。基于谷歌有關(guān)海量數(shù)據(jù)處理所發(fā)表的多篇論文與經(jīng)驗(yàn)的Hadoop重新實(shí)現(xiàn)了相關(guān)算法和組件堆棧刻炒，讓大規(guī)模批處理技術(shù)變得更易用决采。

新版Hadoop包含多個(gè)組件，即多個(gè)層坟奥，通過(guò)配合使用可處理批數(shù)據(jù)：

HDFS：HDFS是一種分布式文件系統(tǒng)層树瞭，可對(duì)集群節(jié)點(diǎn)間的存儲(chǔ)和復(fù)制進(jìn)行協(xié)調(diào)拇厢。HDFS確保了無(wú)法避免的節(jié)點(diǎn)故障發(fā)生后數(shù)據(jù)依然可用，可將其用作數(shù)據(jù)來(lái)源晒喷，可用于存儲(chǔ)中間態(tài)的處理結(jié)果孝偎，并可存儲(chǔ)計(jì)算的最終結(jié)果。

YARN：YARN是Yet Another Resource Negotiator（另一個(gè)資源管理器）的縮寫凉敲，可充當(dāng)Hadoop堆棧的集群協(xié)調(diào)組件衣盾。該組件負(fù)責(zé)協(xié)調(diào)并管理底層資源和調(diào)度作業(yè)的運(yùn)行。通過(guò)充當(dāng)集群資源的接口爷抓，YARN使得用戶能在Hadoop集群中使用比以往的迭代方式運(yùn)行更多類型的工作負(fù)載势决。

MapReduce：MapReduce是Hadoop的原生批處理引擎。

批處理模式

Hadoop的處理功能來(lái)自MapReduce引擎蓝撇。MapReduce的處理技術(shù)符合使用鍵值對(duì)的map果复、shuffle、reduce算法要求渤昌∷涑基本處理過(guò)程包括：

從HDFS文件系統(tǒng)讀取數(shù)據(jù)集

將數(shù)據(jù)集拆分成小塊并分配給所有可用節(jié)點(diǎn)

針對(duì)每個(gè)節(jié)點(diǎn)上的數(shù)據(jù)子集進(jìn)行計(jì)算（計(jì)算的中間態(tài)結(jié)果會(huì)重新寫入HDFS）

重新分配中間態(tài)結(jié)果并按照鍵進(jìn)行分組

通過(guò)對(duì)每個(gè)節(jié)點(diǎn)計(jì)算的結(jié)果進(jìn)行匯總和組合對(duì)每個(gè)鍵的值進(jìn)行“Reducing”

將計(jì)算而來(lái)的最終結(jié)果重新寫入 HDFS

優(yōu)勢(shì)和局限

由于這種方法嚴(yán)重依賴持久存儲(chǔ)，每個(gè)任務(wù)需要多次執(zhí)行讀取和寫入操作独柑，因此速度相對(duì)較慢迈窟。但另一方面由于磁盤空間通常是服務(wù)器上最豐富的資源，這意味著MapReduce可以處理非常海量的數(shù)據(jù)集群嗤。同時(shí)也意味著相比其他類似技術(shù)菠隆，Hadoop的MapReduce通潮眨可以在廉價(jià)硬件上運(yùn)行狂秘，因?yàn)樵摷夹g(shù)并不需要將一切都存儲(chǔ)在內(nèi)存中。MapReduce具備極高的縮放潛力躯肌，生產(chǎn)環(huán)境中曾經(jīng)出現(xiàn)過(guò)包含數(shù)萬(wàn)個(gè)節(jié)點(diǎn)的應(yīng)用者春。

MapReduce的學(xué)習(xí)曲線較為陡峭，雖然Hadoop生態(tài)系統(tǒng)的其他周邊技術(shù)可以大幅降低這一問(wèn)題的影響清女，但通過(guò)Hadoop集群快速實(shí)現(xiàn)某些應(yīng)用時(shí)依然需要注意這個(gè)問(wèn)題钱烟。

圍繞Hadoop已經(jīng)形成了遼闊的生態(tài)系統(tǒng)，Hadoop集群本身也經(jīng)常被用作其他軟件的組成部件嫡丙。很多其他處理框架和引擎通過(guò)與Hadoop集成也可以使用HDFS和YARN資源管理器拴袭。

總結(jié)

Apache Hadoop及其MapReduce處理引擎提供了一套久經(jīng)考驗(yàn)的批處理模型，最適合處理對(duì)時(shí)間要求不高的非常大規(guī)模數(shù)據(jù)集曙博。通過(guò)非常低成本的組件即可搭建完整功能的Hadoop集群拥刻，使得這一廉價(jià)且高效的處理技術(shù)可以靈活應(yīng)用在很多案例中。與其他框架和引擎的兼容與集成能力使得Hadoop可以成為使用不同技術(shù)的多種工作負(fù)載處理平臺(tái)的底層基礎(chǔ)父泳。

流處理系統(tǒng)

流處理系統(tǒng)會(huì)對(duì)隨時(shí)進(jìn)入系統(tǒng)的數(shù)據(jù)進(jìn)行計(jì)算般哼。相比批處理模式吴汪，這是一種截然不同的處理方式。流處理方式無(wú)需針對(duì)整個(gè)數(shù)據(jù)集執(zhí)行操作蒸眠，而是對(duì)通過(guò)系統(tǒng)傳輸?shù)拿總€(gè)數(shù)據(jù)項(xiàng)執(zhí)行操作漾橙。

流處理中的數(shù)據(jù)集是“無(wú)邊界”的，這就產(chǎn)生了幾個(gè)重要的影響：

完整數(shù)據(jù)集只能代表截至目前已經(jīng)進(jìn)入到系統(tǒng)中的數(shù)據(jù)總量楞卡。

工作數(shù)據(jù)集也許更相關(guān)霜运，在特定時(shí)間只能代表某個(gè)單一數(shù)據(jù)項(xiàng)。

處理工作是基于事件的蒋腮，除非明確停止否則沒(méi)有“盡頭”觉渴。處理結(jié)果立刻可用，并會(huì)隨著新數(shù)據(jù)的抵達(dá)繼續(xù)更新徽惋。

流處理系統(tǒng)可以處理幾乎無(wú)限量的數(shù)據(jù)案淋，但同一時(shí)間只能處理一條（真正的流處理）或很少量（微批處理，Micro-batch Processing）數(shù)據(jù)险绘，不同記錄間只維持最少量的狀態(tài)踢京。雖然大部分系統(tǒng)提供了用于維持某些狀態(tài)的方法，但流處理主要針對(duì)副作用更少宦棺，更加功能性的處理（Functional processing）進(jìn)行優(yōu)化瓣距。

功能性操作主要側(cè)重于狀態(tài)或副作用有限的離散步驟。針對(duì)同一個(gè)數(shù)據(jù)執(zhí)行同一個(gè)操作會(huì)或略其他因素產(chǎn)生相同的結(jié)果代咸，此類處理非常適合流處理蹈丸，因?yàn)椴煌?xiàng)的狀態(tài)通常是某些困難、限制呐芥，以及某些情況下不需要的結(jié)果的結(jié)合體逻杖。因此雖然某些類型的狀態(tài)管理通常是可行的，但這些框架通常在不具備狀態(tài)管理機(jī)制時(shí)更簡(jiǎn)單也更高效思瘟。

此類處理非常適合某些類型的工作負(fù)載荸百。有近實(shí)時(shí)處理需求的任務(wù)很適合使用流處理模式。分析滨攻、服務(wù)器或應(yīng)用程序錯(cuò)誤日志够话，以及其他基于時(shí)間的衡量指標(biāo)是最適合的類型，因?yàn)閷?duì)這些領(lǐng)域的數(shù)據(jù)變化做出響應(yīng)對(duì)于業(yè)務(wù)職能來(lái)說(shuō)是極為關(guān)鍵的光绕。流處理很適合用來(lái)處理必須對(duì)變動(dòng)或峰值做出響應(yīng)女嘲，并且關(guān)注一段時(shí)間內(nèi)變化趨勢(shì)的數(shù)據(jù)。

Apache Storm

Apache Storm是一種側(cè)重于極低延遲的流處理框架诞帐，也許是要求近實(shí)時(shí)處理的工作負(fù)載的最佳選擇欣尼。該技術(shù)可處理非常大量的數(shù)據(jù)，通過(guò)比其他解決方案更低的延遲提供結(jié)果景埃。

流處理模式

Storm的流處理可對(duì)框架中名為Topology（拓?fù)洌┑腄AG（Directed Acyclic Graph媒至，有向無(wú)環(huán)圖）進(jìn)行編排顶别。這些拓?fù)涿枋隽水?dāng)數(shù)據(jù)片段進(jìn)入系統(tǒng)后，需要對(duì)每個(gè)傳入的片段執(zhí)行的不同轉(zhuǎn)換或步驟拒啰。

拓?fù)浒?/p>

Stream：普通的數(shù)據(jù)流驯绎，這是一種會(huì)持續(xù)抵達(dá)系統(tǒng)的無(wú)邊界數(shù)據(jù)。

Spout：位于拓?fù)溥吘壍臄?shù)據(jù)流來(lái)源谋旦，例如可以是API或查詢等剩失，從這里可以產(chǎn)生待處理的數(shù)據(jù)。

Bolt：Bolt代表需要消耗流數(shù)據(jù)册着，對(duì)其應(yīng)用操作拴孤，并將結(jié)果以流的形式進(jìn)行輸出的處理步驟。Bolt需要與每個(gè)Spout建立連接甲捏，隨后相互連接以組成所有必要的處理演熟。在拓?fù)涞奈膊浚梢允褂米罱K的Bolt輸出作為相互連接的其他系統(tǒng)的輸入司顿。

Storm背后的想法是使用上述組件定義大量小型的離散操作芒粹，隨后將多個(gè)組件組成所需拓?fù)洹ＤJ(rèn)情況下Storm提供了“至少一次”的處理保證大溜，這意味著可以確保每條消息至少可以被處理一次化漆，但某些情況下如果遇到失敗可能會(huì)處理多次。Storm無(wú)法確鼻辗埽可以按照特定順序處理消息座云。

為了實(shí)現(xiàn)嚴(yán)格的一次處理，即有狀態(tài)處理付材，可以使用一種名為Trident的抽象朦拖。嚴(yán)格來(lái)說(shuō)不使用Trident的Storm通常可稱之為Core Storm伞租。Trident會(huì)對(duì)Storm的處理能力產(chǎn)生極大影響贞谓，會(huì)增加延遲，為處理提供狀態(tài)葵诈，使用微批模式代替逐項(xiàng)處理的純粹流處理模式。

為避免這些問(wèn)題祟同，通常建議Storm用戶盡可能使用Core Storm作喘。然而也要注意，Trident對(duì)內(nèi)容嚴(yán)格的一次處理保證在某些情況下也比較有用晕城，例如系統(tǒng)無(wú)法智能地處理重復(fù)消息時(shí)泞坦。如果需要在項(xiàng)之間維持狀態(tài)，例如想要計(jì)算一個(gè)小時(shí)內(nèi)有多少用戶點(diǎn)擊了某個(gè)鏈接砖顷，此時(shí)Trident將是你唯一的選擇贰锁。盡管不能充分發(fā)揮框架與生俱來(lái)的優(yōu)勢(shì)赃梧，但Trident提高了Storm的靈活性。

Trident拓?fù)浒?/p>

流批（Stream batch）：這是指流數(shù)據(jù)的微批豌熄，可通過(guò)分塊提供批處理語(yǔ)義授嘀。

操作（Operation）：是指可以對(duì)數(shù)據(jù)執(zhí)行的批處理過(guò)程。

優(yōu)勢(shì)和局限

目前來(lái)說(shuō)Storm可能是近實(shí)時(shí)處理領(lǐng)域的最佳解決方案锣险。該技術(shù)可以用極低延遲處理數(shù)據(jù)蹄皱，可用于希望獲得最低延遲的工作負(fù)載。如果處理速度直接影響用戶體驗(yàn)芯肤，例如需要將處理結(jié)果直接提供給訪客打開(kāi)的網(wǎng)站頁(yè)面巷折，此時(shí)Storm將會(huì)是一個(gè)很好的選擇。

Storm與Trident配合使得用戶可以用微批代替純粹的流處理崖咨。雖然借此用戶可以獲得更大靈活性打造更符合要求的工具锻拘，但同時(shí)這種做法會(huì)削弱該技術(shù)相比其他解決方案最大的優(yōu)勢(shì)。話雖如此击蹲，但多一種流處理方式總是好的逊拍。

Core Storm無(wú)法保證消息的處理順序。Core Storm為消息提供了“至少一次”的處理保證际邻，這意味著可以保證每條消息都能被處理芯丧，但也可能發(fā)生重復(fù)。Trident提供了嚴(yán)格的一次處理保證世曾，可以在不同批之間提供順序處理缨恒，但無(wú)法在一個(gè)批內(nèi)部實(shí)現(xiàn)順序處理。

在互操作性方面轮听，Storm可與Hadoop的YARN資源管理器進(jìn)行集成骗露，因此可以很方便地融入現(xiàn)有Hadoop部署。除了支持大部分處理框架血巍，Storm還可支持多種語(yǔ)言萧锉，為用戶的拓?fù)涠x提供了更多選擇。

總結(jié)

對(duì)于延遲需求很高的純粹的流處理工作負(fù)載述寡，Storm可能是最適合的技術(shù)柿隙。該技術(shù)可以保證每條消息都被處理，可配合多種編程語(yǔ)言使用鲫凶。由于Storm無(wú)法進(jìn)行批處理禀崖，如果需要這些能力可能還需要使用其他軟件。如果對(duì)嚴(yán)格的一次處理保證有比較高的要求螟炫，此時(shí)可考慮使用Trident波附。不過(guò)這種情況下其他流處理框架也許更適合。

Apache Samza

Apache Samza是一種與Apache Kafka消息系統(tǒng)緊密綁定的流處理框架。雖然Kafka可用于很多流處理系統(tǒng)掸屡，但按照設(shè)計(jì)封寞，Samza可以更好地發(fā)揮Kafka獨(dú)特的架構(gòu)優(yōu)勢(shì)和保障。該技術(shù)可通過(guò)Kafka提供容錯(cuò)仅财、緩沖狈究，以及狀態(tài)存儲(chǔ)。

Samza可使用YARN作為資源管理器满着。這意味著默認(rèn)情況下需要具備Hadoop集群（至少具備HDFS和YARN）谦炒，但同時(shí)也意味著Samza可以直接使用YARN豐富的內(nèi)建功能。

流處理模式

Samza依賴Kafka的語(yǔ)義定義流的處理方式风喇。Kafka在處理數(shù)據(jù)時(shí)涉及下列概念：

Topic（話題）：進(jìn)入Kafka系統(tǒng)的每個(gè)數(shù)據(jù)流可稱之為一個(gè)話題宁改。話題基本上是一種可供消耗方訂閱的，由相關(guān)信息組成的數(shù)據(jù)流魂莫。

Partition（分區(qū)）：為了將一個(gè)話題分散至多個(gè)節(jié)點(diǎn)还蹲，Kafka會(huì)將傳入的消息劃分為多個(gè)分區(qū)。分區(qū)的劃分將基于鍵（Key）進(jìn)行耙考，這樣可以保證包含同一個(gè)鍵的每條消息可以劃分至同一個(gè)分區(qū)谜喊。分區(qū)的順序可獲得保證。

Broker（代理）：組成Kafka集群的每個(gè)節(jié)點(diǎn)也叫做代理倦始。

Producer（生成方）：任何向Kafka話題寫入數(shù)據(jù)的組件可以叫做生成方斗遏。生成方可提供將話題劃分為分區(qū)所需的鍵。

Consumer（消耗方）：任何從Kafka讀取話題的組件可叫做消耗方鞋邑。消耗方需要負(fù)責(zé)維持有關(guān)自己分支的信息诵次，這樣即可在失敗后知道哪些記錄已經(jīng)被處理過(guò)了。

由于Kafka相當(dāng)于永恒不變的日志枚碗，Samza也需要處理永恒不變的數(shù)據(jù)流逾一。這意味著任何轉(zhuǎn)換創(chuàng)建的新數(shù)據(jù)流都可被其他組件所使用，而不會(huì)對(duì)最初的數(shù)據(jù)流產(chǎn)生影響肮雨。

優(yōu)勢(shì)和局限

乍看之下遵堵，Samza對(duì)Kafka類查詢系統(tǒng)的依賴似乎是一種限制，然而這也可以為系統(tǒng)提供一些獨(dú)特的保證和功能怨规，這些內(nèi)容也是其他流處理系統(tǒng)不具備的陌宿。

例如Kafka已經(jīng)提供了可以通過(guò)低延遲方式訪問(wèn)的數(shù)據(jù)存儲(chǔ)副本，此外還可以為每個(gè)數(shù)據(jù)分區(qū)提供非常易用且低成本的多訂閱者模型椅亚。所有輸出內(nèi)容限番，包括中間態(tài)的結(jié)果都可寫入到Kafka，并可被下游步驟獨(dú)立使用呀舔。

這種對(duì)Kafka的緊密依賴在很多方面類似于MapReduce引擎對(duì)HDFS的依賴。雖然在批處理的每個(gè)計(jì)算之間對(duì)HDFS的依賴導(dǎo)致了一些嚴(yán)重的性能問(wèn)題，但也避免了流處理遇到的很多其他問(wèn)題媚赖。

Samza與Kafka之間緊密的關(guān)系使得處理步驟本身可以非常松散地耦合在一起霜瘪。無(wú)需事先協(xié)調(diào)，即可在輸出的任何步驟中增加任意數(shù)量的訂閱者惧磺，對(duì)于有多個(gè)團(tuán)隊(duì)需要訪問(wèn)類似數(shù)據(jù)的組織颖对，這一特性非常有用。多個(gè)團(tuán)隊(duì)可以全部訂閱進(jìn)入系統(tǒng)的數(shù)據(jù)話題磨隘，或任意訂閱其他團(tuán)隊(duì)對(duì)數(shù)據(jù)進(jìn)行過(guò)某些處理后創(chuàng)建的話題缤底。這一切并不會(huì)對(duì)數(shù)據(jù)庫(kù)等負(fù)載密集型基礎(chǔ)架構(gòu)造成額外的壓力。

直接寫入Kafka還可避免回壓（Backpressure）問(wèn)題番捂「鲞螅回壓是指當(dāng)負(fù)載峰值導(dǎo)致數(shù)據(jù)流入速度超過(guò)組件實(shí)時(shí)處理能力的情況，這種情況可能導(dǎo)致處理工作停頓并可能丟失數(shù)據(jù)设预。按照設(shè)計(jì)徙歼，Kafka可以將數(shù)據(jù)保存很長(zhǎng)時(shí)間，這意味著組件可以在方便的時(shí)候繼續(xù)進(jìn)行處理鳖枕，并可直接重啟動(dòng)而無(wú)需擔(dān)心造成任何后果魄梯。

Samza可以使用以本地鍵值存儲(chǔ)方式實(shí)現(xiàn)的容錯(cuò)檢查點(diǎn)系統(tǒng)存儲(chǔ)數(shù)據(jù)。這樣Samza即可獲得“至少一次”的交付保障宾符，但面對(duì)由于數(shù)據(jù)可能多次交付造成的失敗酿秸，該技術(shù)無(wú)法對(duì)匯總后狀態(tài)（例如計(jì)數(shù)）提供精確恢復(fù)。

Samza提供的高級(jí)抽象使其在很多方面比Storm等系統(tǒng)提供的基元（Primitive）更易于配合使用魏烫。目前Samza只支持JVM語(yǔ)言辣苏，這意味著它在語(yǔ)言支持方面不如Storm靈活。

總結(jié)

對(duì)于已經(jīng)具備或易于實(shí)現(xiàn)Hadoop和Kafka的環(huán)境则奥，Apache Samza是流處理工作負(fù)載一個(gè)很好的選擇考润。Samza本身很適合有多個(gè)團(tuán)隊(duì)需要使用（但相互之間并不一定緊密協(xié)調(diào)）不同處理階段的多個(gè)數(shù)據(jù)流的組織。Samza可大幅簡(jiǎn)化很多流處理工作读处，可實(shí)現(xiàn)低延遲的性能糊治。如果部署需求與當(dāng)前系統(tǒng)不兼容，也許并不適合使用罚舱，但如果需要極低延遲的處理井辜，或?qū)?yán)格的一次處理語(yǔ)義有較高需求，此時(shí)依然適合考慮管闷。

混合處理系統(tǒng)：批處理和流處理

一些處理框架可同時(shí)處理批處理和流處理工作負(fù)載粥脚。這些框架可以用相同或相關(guān)的組件和API處理兩種類型的數(shù)據(jù)，借此讓不同的處理需求得以簡(jiǎn)化包个。

如你所見(jiàn)刷允，這一特性主要是由Spark和Flink實(shí)現(xiàn)的，下文將介紹這兩種框架。實(shí)現(xiàn)這樣的功能重點(diǎn)在于兩種不同處理模式如何進(jìn)行統(tǒng)一树灶，以及要對(duì)固定和不固定數(shù)據(jù)集之間的關(guān)系進(jìn)行何種假設(shè)纤怒。

雖然側(cè)重于某一種處理類型的項(xiàng)目會(huì)更好地滿足具體用例的要求，但混合框架意在提供一種數(shù)據(jù)處理的通用解決方案天通。這種框架不僅可以提供處理數(shù)據(jù)所需的方法泊窘，而且提供了自己的集成項(xiàng)、庫(kù)像寒、工具烘豹，可勝任圖形分析、機(jī)器學(xué)習(xí)诺祸、交互式查詢等多種任務(wù)携悯。

Apache Spark

Apache Spark是一種包含流處理能力的下一代批處理框架。與Hadoop的MapReduce引擎基于各種相同原則開(kāi)發(fā)而來(lái)的Spark主要側(cè)重于通過(guò)完善的內(nèi)存計(jì)算和處理優(yōu)化機(jī)制加快批處理工作負(fù)載的運(yùn)行速度序臂。

Spark可作為獨(dú)立集群部署（需要相應(yīng)存儲(chǔ)層的配合）蚌卤，或可與Hadoop集成并取代MapReduce引擎。

批處理模式

與MapReduce不同奥秆，Spark的數(shù)據(jù)處理工作全部在內(nèi)存中進(jìn)行逊彭，只在一開(kāi)始將數(shù)據(jù)讀入內(nèi)存，以及將最終結(jié)果持久存儲(chǔ)時(shí)需要與存儲(chǔ)層交互构订。所有中間態(tài)的處理結(jié)果均存儲(chǔ)在內(nèi)存中侮叮。

雖然內(nèi)存中處理方式可大幅改善性能，Spark在處理與磁盤有關(guān)的任務(wù)時(shí)速度也有很大提升悼瘾，因?yàn)橥ㄟ^(guò)提前對(duì)整個(gè)任務(wù)集進(jìn)行分析可以實(shí)現(xiàn)更完善的整體式優(yōu)化囊榜。為此Spark可創(chuàng)建代表所需執(zhí)行的全部操作，需要操作的數(shù)據(jù)亥宿，以及操作和數(shù)據(jù)之間關(guān)系的Directed Acyclic Graph（有向無(wú)環(huán)圖）卸勺，即DAG，借此處理器可以對(duì)任務(wù)進(jìn)行更智能的協(xié)調(diào)烫扼。

為了實(shí)現(xiàn)內(nèi)存中批計(jì)算曙求，Spark會(huì)使用一種名為Resilient Distributed Dataset（彈性分布式數(shù)據(jù)集），即RDD的模型來(lái)處理數(shù)據(jù)映企。這是一種代表數(shù)據(jù)集悟狱，只位于內(nèi)存中，永恒不變的結(jié)構(gòu)堰氓。針對(duì)RDD執(zhí)行的操作可生成新的RDD挤渐。每個(gè)RDD可通過(guò)世系（Lineage）回溯至父級(jí)RDD，并最終回溯至磁盤上的數(shù)據(jù)双絮。Spark可通過(guò)RDD在無(wú)需將每個(gè)操作的結(jié)果寫回磁盤的前提下實(shí)現(xiàn)容錯(cuò)浴麻。

流處理模式

流處理能力是由Spark Streaming實(shí)現(xiàn)的得问。Spark本身在設(shè)計(jì)上主要面向批處理工作負(fù)載，為了彌補(bǔ)引擎設(shè)計(jì)和流處理工作負(fù)載特征方面的差異白胀，Spark實(shí)現(xiàn)了一種叫做微批（Micro-batch）*的概念椭赋。在具體策略方面該技術(shù)可以將數(shù)據(jù)流視作一系列非常小的“批”抚岗，借此即可通過(guò)批處理引擎的原生語(yǔ)義進(jìn)行處理或杠。

Spark Streaming會(huì)以亞秒級(jí)增量對(duì)流進(jìn)行緩沖，隨后這些緩沖會(huì)作為小規(guī)模的固定數(shù)據(jù)集進(jìn)行批處理宣蔚。這種方式的實(shí)際效果非常好向抢，但相比真正的流處理框架在性能方面依然存在不足。

優(yōu)勢(shì)和局限

使用Spark而非Hadoop MapReduce的主要原因是速度胚委。在內(nèi)存計(jì)算策略和先進(jìn)的DAG調(diào)度等機(jī)制的幫助下挟鸠，Spark可以用更快速度處理相同的數(shù)據(jù)集。

Spark的另一個(gè)重要優(yōu)勢(shì)在于多樣性亩冬。該產(chǎn)品可作為獨(dú)立集群部署艘希，或與現(xiàn)有Hadoop集群集成。該產(chǎn)品可運(yùn)行批處理和流處理硅急，運(yùn)行一個(gè)集群即可處理不同類型的任務(wù)覆享。

除了引擎自身的能力外，圍繞Spark還建立了包含各種庫(kù)的生態(tài)系統(tǒng)营袜，可為機(jī)器學(xué)習(xí)撒顿、交互式查詢等任務(wù)提供更好的支持。相比MapReduce荚板，Spark任務(wù)更是“眾所周知”地易于編寫凤壁，因此可大幅提高生產(chǎn)力。

為流處理系統(tǒng)采用批處理的方法跪另，需要對(duì)進(jìn)入系統(tǒng)的數(shù)據(jù)進(jìn)行緩沖拧抖。緩沖機(jī)制使得該技術(shù)可以處理非常大量的傳入數(shù)據(jù)，提高整體吞吐率免绿，但等待緩沖區(qū)清空也會(huì)導(dǎo)致延遲增高唧席。這意味著Spark Streaming可能不適合處理對(duì)延遲有較高要求的工作負(fù)載。

由于內(nèi)存通常比磁盤空間更貴针姿，因此相比基于磁盤的系統(tǒng)袱吆，Spark成本更高。然而處理速度的提升意味著可以更快速完成任務(wù)距淫，在需要按照小時(shí)數(shù)為資源付費(fèi)的環(huán)境中绞绒，這一特性通常可以抵消增加的成本榕暇。

Spark內(nèi)存計(jì)算這一設(shè)計(jì)的另一個(gè)后果是蓬衡，如果部署在共享的集群中可能會(huì)遇到資源不足的問(wèn)題喻杈。相比Hadoop MapReduce，Spark的資源消耗更大狰晚，可能會(huì)對(duì)需要在同一時(shí)間使用集群的其他任務(wù)產(chǎn)生影響筒饰。從本質(zhì)來(lái)看，Spark更不適合與Hadoop堆棧的其他組件共存一處壁晒。

總結(jié)

Spark是多樣化工作負(fù)載處理任務(wù)的最佳選擇瓷们。Spark批處理能力以更高內(nèi)存占用為代價(jià)提供了無(wú)與倫比的速度優(yōu)勢(shì)。對(duì)于重視吞吐率而非延遲的工作負(fù)載秒咐，則比較適合使用Spark Streaming作為流處理解決方案谬晕。

Apache Flink

Apache Flink是一種可以處理批處理任務(wù)的流處理框架。該技術(shù)可將批處理數(shù)據(jù)視作具備有限邊界的數(shù)據(jù)流携取，借此將批處理任務(wù)作為流處理的子集加以處理攒钳。為所有處理任務(wù)采取流處理為先的方法會(huì)產(chǎn)生一系列有趣的副作用。

這種流處理為先的方法也叫做Kappa架構(gòu)雷滋，與之相對(duì)的是更加被廣為人知的Lambda架構(gòu)（該架構(gòu)中使用批處理作為主要處理方法不撑，使用流作為補(bǔ)充并提供早期未經(jīng)提煉的結(jié)果）。Kappa架構(gòu)中會(huì)對(duì)一切進(jìn)行流處理晤斩，借此對(duì)模型進(jìn)行簡(jiǎn)化焕檬，而這一切是在最近流處理引擎逐漸成熟后才可行的。

流處理模型

Flink的流處理模型在處理傳入數(shù)據(jù)時(shí)會(huì)將每一項(xiàng)視作真正的數(shù)據(jù)流尸昧。Flink提供的DataStream API可用于處理無(wú)盡的數(shù)據(jù)流揩页。Flink可配合使用的基本組件包括：

Stream（流）是指在系統(tǒng)中流轉(zhuǎn)的，永恒不變的無(wú)邊界數(shù)據(jù)集

Operator（操作方）是指針對(duì)數(shù)據(jù)流執(zhí)行操作以產(chǎn)生其他數(shù)據(jù)流的功能

Source（源）是指數(shù)據(jù)流進(jìn)入系統(tǒng)的入口點(diǎn)

Sink（槽）是指數(shù)據(jù)流離開(kāi)Flink系統(tǒng)后進(jìn)入到的位置烹俗，槽可以是數(shù)據(jù)庫(kù)或到其他系統(tǒng)的連接器

為了在計(jì)算過(guò)程中遇到問(wèn)題后能夠恢復(fù)爆侣，流處理任務(wù)會(huì)在預(yù)定時(shí)間點(diǎn)創(chuàng)建快照。為了實(shí)現(xiàn)狀態(tài)存儲(chǔ)幢妄，F(xiàn)link可配合多種狀態(tài)后端系統(tǒng)使用兔仰，具體取決于所需實(shí)現(xiàn)的復(fù)雜度和持久性級(jí)別。

此外Flink的流處理能力還可以理解“事件時(shí)間”這一概念蕉鸳，這是指事件實(shí)際發(fā)生的時(shí)間乎赴，此外該功能還可以處理會(huì)話。這意味著可以通過(guò)某種有趣的方式確保執(zhí)行順序和分組潮尝。

批處理模型

Flink的批處理模型在很大程度上僅僅是對(duì)流處理模型的擴(kuò)展榕吼。此時(shí)模型不再?gòu)某掷m(xù)流中讀取數(shù)據(jù)，而是從持久存儲(chǔ)中以流的形式讀取有邊界的數(shù)據(jù)集勉失。Flink會(huì)對(duì)這些處理模型使用完全相同的運(yùn)行時(shí)羹蚣。

Flink可以對(duì)批處理工作負(fù)載實(shí)現(xiàn)一定的優(yōu)化。例如由于批處理操作可通過(guò)持久存儲(chǔ)加以支持乱凿，F(xiàn)link可以不對(duì)批處理工作負(fù)載創(chuàng)建快照顽素。數(shù)據(jù)依然可以恢復(fù)咽弦，但常規(guī)處理操作可以執(zhí)行得更快。

另一個(gè)優(yōu)化是對(duì)批處理任務(wù)進(jìn)行分解，這樣即可在需要的時(shí)候調(diào)用不同階段和組件。借此Flink可以與集群的其他用戶更好地共存庵芭。對(duì)任務(wù)提前進(jìn)行分析使得Flink可以查看需要執(zhí)行的所有操作、數(shù)據(jù)集的大小闹蒜，以及下游需要執(zhí)行的操作步驟，借此實(shí)現(xiàn)進(jìn)一步的優(yōu)化裸诽。

優(yōu)勢(shì)和局限

Flink目前是處理框架領(lǐng)域一個(gè)獨(dú)特的技術(shù)嫂用。雖然Spark也可以執(zhí)行批處理和流處理，但Spark的流處理采取的微批架構(gòu)使其無(wú)法適用于很多用例丈冬。Flink流處理為先的方法可提供低延遲，高吞吐率甘畅，近乎逐項(xiàng)處理的能力埂蕊。

Flink的很多組件是自行管理的。雖然這種做法較為罕見(jiàn)疏唾，但出于性能方面的原因蓄氧，該技術(shù)可自行管理內(nèi)存，無(wú)需依賴原生的Java垃圾回收機(jī)制槐脏。與Spark不同喉童，待處理數(shù)據(jù)的特征發(fā)生變化后Flink無(wú)需手工優(yōu)化和調(diào)整，并且該技術(shù)也可以自行處理數(shù)據(jù)分區(qū)和自動(dòng)緩存等操作顿天。

Flink會(huì)通過(guò)多種方式對(duì)工作進(jìn)行分許進(jìn)而優(yōu)化任務(wù)堂氯。這種分析在部分程度上類似于SQL查詢規(guī)劃器對(duì)關(guān)系型數(shù)據(jù)庫(kù)所做的優(yōu)化，可針對(duì)特定任務(wù)確定最高效的實(shí)現(xiàn)方法牌废。該技術(shù)還支持多階段并行執(zhí)行咽白，同時(shí)可將受阻任務(wù)的數(shù)據(jù)集合在一起。對(duì)于迭代式任務(wù)鸟缕，出于性能方面的考慮晶框，F(xiàn)link會(huì)嘗試在存儲(chǔ)數(shù)據(jù)的節(jié)點(diǎn)上執(zhí)行相應(yīng)的計(jì)算任務(wù)。此外還可進(jìn)行“增量迭代”懂从，或僅對(duì)數(shù)據(jù)中有改動(dòng)的部分進(jìn)行迭代授段。

在用戶工具方面，F(xiàn)link提供了基于Web的調(diào)度視圖番甩，借此可輕松管理任務(wù)并查看系統(tǒng)狀態(tài)侵贵。用戶也可以查看已提交任務(wù)的優(yōu)化方案，借此了解任務(wù)最終是如何在集群中實(shí)現(xiàn)的对室。對(duì)于分析類任務(wù)模燥，F(xiàn)link提供了類似SQL的查詢咖祭，圖形化處理，以及機(jī)器學(xué)習(xí)庫(kù)蔫骂，此外還支持內(nèi)存計(jì)算么翰。

Flink能很好地與其他組件配合使用。如果配合Hadoop 堆棧使用辽旋，該技術(shù)可以很好地融入整個(gè)環(huán)境浩嫌，在任何時(shí)候都只占用必要的資源。該技術(shù)可輕松地與YARN补胚、HDFS和Kafka 集成码耐。在兼容包的幫助下，F(xiàn)link還可以運(yùn)行為其他處理框架溶其，例如Hadoop和Storm編寫的任務(wù)骚腥。

目前Flink最大的局限之一在于這依然是一個(gè)非常“年幼”的項(xiàng)目∑刻樱現(xiàn)實(shí)環(huán)境中該項(xiàng)目的大規(guī)模部署尚不如其他處理框架那么常見(jiàn)束铭，對(duì)于Flink在縮放能力方面的局限目前也沒(méi)有較為深入的研究。隨著快速開(kāi)發(fā)周期的推進(jìn)和兼容包等功能的完善厢绝，當(dāng)越來(lái)越多的組織開(kāi)始嘗試時(shí)契沫，可能會(huì)出現(xiàn)越來(lái)越多的Flink部署。

總結(jié)

Flink提供了低延遲流處理昔汉，同時(shí)可支持傳統(tǒng)的批處理任務(wù)懈万。Flink也許最適合有極高流處理需求，并有少量批處理任務(wù)的組織靶病。該技術(shù)可兼容原生Storm和Hadoop程序会通，可在YARN管理的集群上運(yùn)行，因此可以很方便地進(jìn)行評(píng)估嫡秕】视铮快速進(jìn)展的開(kāi)發(fā)工作使其值得被大家關(guān)注。

結(jié)論

大數(shù)據(jù)系統(tǒng)可使用多種處理技術(shù)昆咽。

對(duì)于僅需要批處理的工作負(fù)載驾凶，如果對(duì)時(shí)間不敏感，比其他解決方案實(shí)現(xiàn)成本更低的Hadoop將會(huì)是一個(gè)好選擇掷酗。

對(duì)于僅需要流處理的工作負(fù)載调违，Storm可支持更廣泛的語(yǔ)言并實(shí)現(xiàn)極低延遲的處理，但默認(rèn)配置可能產(chǎn)生重復(fù)結(jié)果并且無(wú)法保證順序泻轰。Samza與YARN和Kafka緊密集成可提供更大靈活性技肩，更易用的多團(tuán)隊(duì)使用，以及更簡(jiǎn)單的復(fù)制和狀態(tài)管理。

對(duì)于混合型工作負(fù)載虚婿，Spark可提供高速批處理和微批處理模式的流處理旋奢。該技術(shù)的支持更完善，具備各種集成庫(kù)和工具然痊，可實(shí)現(xiàn)靈活的集成至朗。Flink提供了真正的流處理并具備批處理能力，通過(guò)深度優(yōu)化可運(yùn)行針對(duì)其他平臺(tái)編寫的任務(wù)剧浸，提供低延遲的處理锹引，但實(shí)際應(yīng)用方面還為時(shí)過(guò)早。

最適合的解決方案主要取決于待處理數(shù)據(jù)的狀態(tài)唆香，對(duì)處理所需時(shí)間的需求嫌变，以及希望得到的結(jié)果。具體是使用全功能解決方案或主要側(cè)重于某種項(xiàng)目的解決方案躬它，這個(gè)問(wèn)題需要慎重權(quán)衡腾啥。隨著逐漸成熟并被廣泛接受，在評(píng)估任何新出現(xiàn)的創(chuàng)新型解決方案時(shí)都需要考慮類似的問(wèn)題虑凛。