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

前言

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

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

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。