Apache Flink vs Apache Spark[轉(zhuǎn)載]

https://www.iteblog.com/archives/1624.html

Apache Flink是什么

Flink是一款新的大數(shù)據(jù)處理引擎贼涩，目標(biāo)是統(tǒng)一不同來(lái)源的數(shù)據(jù)處理。這個(gè)目標(biāo)看起來(lái)和Spark和類似练链。沒(méi)錯(cuò)弄诲，F(xiàn)link也在嘗試解決Spark在解決的問(wèn)題。這兩套系統(tǒng)都在嘗試建立一個(gè)統(tǒng)一的平臺(tái)可以運(yùn)行批量爵憎，流式鸡岗，交互式场勤，圖處理戈锻，機(jī)器學(xué)習(xí)等應(yīng)用歼跟。所以，F(xiàn)link和Spark的目標(biāo)差別并不大格遭，他們最主要的區(qū)別在于實(shí)現(xiàn)的細(xì)節(jié)哈街，后面我會(huì)重點(diǎn)從不同的角度對(duì)比這兩者。

Apache Spark vs Apache Flink

1拒迅、抽象 Abstraction

Spark中骚秦，對(duì)于批處理我們有RDD,對(duì)于流式，我們有DStream璧微，不過(guò)內(nèi)部實(shí)際還是RDD.所以所有的數(shù)據(jù)表示本質(zhì)上還是RDD抽象作箍。后面我會(huì)重點(diǎn)從不同的角度對(duì)比這兩者。在Flink中前硫，對(duì)于批處理有DataSet胞得，對(duì)于流式我們有DataStreams】t？雌饋?lái)和Spark類似懒震，他們的不同點(diǎn)在于：

（一）DataSet在運(yùn)行時(shí)是表現(xiàn)為運(yùn)行計(jì)劃(runtime plans)的

在Spark中，RDD在運(yùn)行時(shí)是表現(xiàn)為java objects的嗤详。通過(guò)引入Tungsten，這塊有了些許的改變瓷炮。但是在Flink中是被表現(xiàn)為logical plan(邏輯計(jì)劃)的葱色，聽(tīng)起來(lái)很熟悉？沒(méi)錯(cuò)娘香，就是類似于Spark中的dataframes苍狰。所以在Flink中你使用的類Dataframe api是被作為第一優(yōu)先級(jí)來(lái)優(yōu)化的。但是相對(duì)來(lái)說(shuō)在Spark RDD中就沒(méi)有了這塊的優(yōu)化了烘绽。
　　Flink中的Dataset淋昭，對(duì)標(biāo)Spark中的Dataframe，在運(yùn)行前會(huì)經(jīng)過(guò)優(yōu)化安接。在Spark 1.6翔忽，dataset API已經(jīng)被引入Spark了，也許最終會(huì)取代RDD 抽象盏檐。

(二）Dataset和DataStream是獨(dú)立的API

在Spark中歇式，所有不同的API，例如DStream胡野，Dataframe都是基于RDD抽象的材失。但是在Flink中，Dataset和DataStream是同一個(gè)公用的引擎之上兩個(gè)獨(dú)立的抽象硫豆。所以你不能把這兩者的行為合并在一起操作龙巨，當(dāng)然笼呆，F(xiàn)link社區(qū)目前在朝這個(gè)方向努力(https://issues.apache.org/jira/browse/Flink-2320)，但是目前還不能輕易斷言最后的結(jié)果旨别。

2诗赌、內(nèi)存管理

一直到1.5版本，Spark都是試用java的內(nèi)存管理來(lái)做數(shù)據(jù)緩存昼榛，明顯很容易導(dǎo)致OOM或者gc境肾。所以從1.5開(kāi)始，Spark開(kāi)始轉(zhuǎn)向精確的控制內(nèi)存的使用胆屿，這就是tungsten項(xiàng)目了奥喻。

而Flink從第一天開(kāi)始就堅(jiān)持自己控制內(nèi)存試用。這個(gè)也是啟發(fā)了Spark走這條路的原因之一非迹。Flink除了把數(shù)據(jù)存在自己管理的內(nèi)存以外环鲤，還直接操作二進(jìn)制數(shù)據(jù)。在Spark中憎兽，從1.5開(kāi)始冷离，所有的dataframe操作都是直接作用在tungsten的二進(jìn)制數(shù)據(jù)上。

3纯命、語(yǔ)言實(shí)現(xiàn)

Spark是用scala來(lái)實(shí)現(xiàn)的西剥，它提供了Java，Python和R的編程接口亿汞。Flink是java實(shí)現(xiàn)的瞭空，當(dāng)然同樣提供了Scala API
所以從語(yǔ)言的角度來(lái)看，Spark要更豐富一些疗我。因?yàn)槲乙呀?jīng)轉(zhuǎn)移到scala很久了咆畏，所以不太清楚這兩者的java api實(shí)現(xiàn)情況。

4吴裤、API

Spark和Flink都在模仿scala的collection API.所以從表面看起來(lái)旧找，兩者都很類似。下面是分別用RDD和DataSet API實(shí)現(xiàn)的word count

不知道是偶然還是故意的麦牺，API都長(zhǎng)得很像钮蛛，這樣很方便開(kāi)發(fā)者從一個(gè)引擎切換到另外一個(gè)引擎。我感覺(jué)以后這種Collection API會(huì)成為寫(xiě)data pipeline的標(biāo)配枕面。

5愿卒、Steaming

Spark把streaming看成是更快的批處理，而Flink把批處理看成streaming的special case潮秘。這里面的思路決定了各自的方向琼开，其中兩者的差異點(diǎn)有如下這些：

實(shí)時(shí) vs 近實(shí)時(shí)的角度

Flink提供了基于每個(gè)事件的流式處理機(jī)制，所以可以被認(rèn)為是一個(gè)真正的流式計(jì)算枕荞。它非常像storm的model柜候。
而Spark搞动，不是基于事件的粒度，而是用小批量來(lái)模擬流式渣刷，也就是多個(gè)事件的集合鹦肿。所以Spark被認(rèn)為是近實(shí)時(shí)的處理系統(tǒng)。

Spark streaming 是更快的批處理辅柴，而Flink Batch是有限數(shù)據(jù)的流式計(jì)算箩溃。
雖然大部分應(yīng)用對(duì)準(zhǔn)實(shí)時(shí)是可以接受的，但是也還是有很多應(yīng)用需要event level的流式計(jì)算碌嘀。這些應(yīng)用更愿意選擇storm而非Spark streaming涣旨，現(xiàn)在，F(xiàn)link也許是一個(gè)更好的選擇股冗。

流式計(jì)算和批處理計(jì)算的表示

Spark對(duì)于批處理和流式計(jì)算霹陡，都是用的相同的抽象：RDD，這樣很方便這兩種計(jì)算合并起來(lái)表示止状。而Flink這兩者分為了DataSet和DataStream烹棉，相比Spark，這個(gè)設(shè)計(jì)算是一個(gè)糟糕的設(shè)計(jì)怯疤。

對(duì) windowing 的支持

因?yàn)镾park的小批量機(jī)制浆洗，Spark對(duì)于windowing的支持非常有限。只能基于process time集峦，且只能對(duì)batches來(lái)做window辅髓。而Flink對(duì)window的支持非常到位，且Flink對(duì)windowing API的支持是相當(dāng)給力的少梁，允許基于process time,data time,record 來(lái)做windowing。我不太確定Spark是否能引入這些API矫付，不過(guò)到目前為止凯沪，F(xiàn)link的windowing支持是要比Spark好的。Steaming這部分Flink勝

6买优、SQL interface

目前Spark-sql是Spark里面最活躍的組件之一妨马，Spark提供了類似Hive的sql和Dataframe這種DSL來(lái)查詢結(jié)構(gòu)化數(shù)據(jù)，API很成熟杀赢，在流式計(jì)算中使用很廣烘跺，預(yù)計(jì)在流式計(jì)算中也會(huì)發(fā)展得很快。至于Flink脂崔，到目前為止滤淳，F(xiàn)link Table API只支持類似DataFrame這種DSL，并且還是處于beta狀態(tài)砌左，社區(qū)有計(jì)劃增加SQL 的interface脖咐，但是目前還不確定什么時(shí)候才能在框架中用上铺敌。所以這個(gè)部分，Spark勝出屁擅。

7偿凭、外部數(shù)據(jù)源的整合

Spark的數(shù)據(jù)源 API是整個(gè)框架中最好的，支持的數(shù)據(jù)源包括NoSql db,parquet,ORC等派歌，并且支持一些高級(jí)的操作弯囊，例如predicate push down。Flink目前還依賴map/reduce InputFormat來(lái)做數(shù)據(jù)源聚合胶果。這一場(chǎng)Spark勝

8匾嘱、Iterative processing

Spark對(duì)機(jī)器學(xué)習(xí)的支持較好，因?yàn)榭梢栽赟park中利用內(nèi)存cache來(lái)加速機(jī)器學(xué)習(xí)算法稽物。
但是大部分機(jī)器學(xué)習(xí)算法其實(shí)是一個(gè)有環(huán)的數(shù)據(jù)流奄毡，但是在Spark中，實(shí)際是用無(wú)環(huán)圖來(lái)表示的贝或，一般的分布式處理引擎都是不鼓勵(lì)試用有環(huán)圖的吼过。但是Flink這里又有點(diǎn)不一樣，F(xiàn)link支持在runtime中的有環(huán)數(shù)據(jù)流咪奖，這樣表示機(jī)器學(xué)習(xí)算法更有效而且更有效率盗忱。這一點(diǎn)Flink勝出。

9羊赵、Stream as platform vs Batch as Platform

Spark誕生在Map/Reduce的時(shí)代趟佃，數(shù)據(jù)都是以文件的形式保存在磁盤中，這樣非常方便做容錯(cuò)處理昧捷。Flink把純流式數(shù)據(jù)計(jì)算引入大數(shù)據(jù)時(shí)代闲昭，無(wú)疑給業(yè)界帶來(lái)了一股清新的空氣。這個(gè)idea非常類似akka-streams這種靡挥。成熟度目前的確有一部分吃螃蟹的用戶已經(jīng)在生產(chǎn)環(huán)境中使用Flink了序矩，不過(guò)從我的眼光來(lái)看，F(xiàn)link還在發(fā)展中跋破，還需要時(shí)間來(lái)成熟簸淀。

結(jié)論

目前Spark相比Flink是一個(gè)更為成熟的計(jì)算框架，但是Flink的很多思路很不錯(cuò)毒返，Spark社區(qū)也意識(shí)到了這一點(diǎn)租幕，并且逐漸在采用Flink中的好的設(shè)計(jì)思路，所以學(xué)習(xí)一下Flink能讓你了解一下Streaming這方面的更迷人的思路拧簸。