Spark流式计算概念

流式计算

特点：
数据是⽆界的(unbounded)
数据是动态的
计算速度是⾮常快的
计算不⽌⼀次
计算不能终⽌

相对应，离线计算特点：
数据是有界的(Bounded)
数据静态的
计算速度通常较慢
计算只执⾏⼀次
计算终会终⽌

在⼤数据计算领域中，通常所说的流式计算分为了实时计算和准实时计算。所谓实时计算就是来⼀条记录(⼀个事件Event)启动⼀次计算；⽽准实时计算则是介于实时计算和离线计算之间的⼀个计算，所以每次处理的是⼀个微⼩的批次

常⻅的离线和流式计算框架

常⻅的离线计算框架

1. mapreduce
2. spark-core
3. flink-dataset

常⻅的流式计算框架

1. storm(jstorm)
   第⼀代的流式处理框架，每⽣成⼀条记录，提交⼀次作业。实时流处理，延迟低。
2. spark-streaming
   第⼆代的流式处理框架，短时间内⽣成mirco-batch，提交⼀次作业。准实时，延迟略⾼，秒级或者亚秒
   级延迟。
3. flink-datastream(blink)
   第三代的流式处理框架，每⽣成⼀条记录，提交⼀次作业。实时，延迟低。

SparkStreaming基本⼯作原理

接收实时输⼊数据流，然后将数据拆分成多个batch，⽐如每收集1秒的数据封装为⼀个batch，然后将每个batch交给Spark的计算引擎进⾏处理，最后会⽣产出⼀个结果数据流，其中的数据，也是由⼀个⼀个的batch所组成的。
Spark Streaming提供了⼀种⾼级的抽象，叫做DStream，英⽂全称为Discretized Stream，中⽂翻译为“离散流”，它代表了⼀个持续不断的数据流。DStream可以通过输⼊数据源来创建，⽐如Kafka、Flume、ZMQ和Kinesis；也可以通过对其他DStream应⽤⾼阶函数来创建，⽐如map、reduce、join、window。
DStream的内部，其实⼀系列持续不断产⽣的RDD。RDD是Spark Core的核⼼抽象，即，分布式式弹性数据集。DStream中的每个RDD都包含了⼀个时间段内的数据。

对DStream应⽤的算⼦，⽐如map，其实在底层会被翻译为对DStream中每个RDD的操作。⽐如对⼀个DStream执⾏⼀个map操作，会产⽣⼀个新的DStream。但是，在底层，其实其原理为，对输⼊DStream中每个时间段的RDD，都应⽤⼀遍map操作，然后⽣成的新的RDD，即作为新的DStream中的那个时间段的⼀个RDD。

底层的RDD的transformation操作。
还是由Spark Core的计算引擎来实现的。Spark Streaming对Spark Core进⾏了⼀层封装，隐藏了细节，然后对开发⼈员提供了⽅便易⽤的⾼层次的API。

常⻅的流式计算框架比较

Storm V.S. SparkStreaming V.S. Flink

对于Storm来说**：**
1、建议在需要纯实时，不能忍受1秒以上延迟的场景下使⽤，⽐如实时计算系统，要求纯实时进⾏交易和析时。
2、在实时计算的功能中，要求可靠的事务机制和可靠性机制，即数据的处理完全精准，⼀条也不能多，⼀条也不能少，也可以考虑使⽤Storm，但是Spark Streaming也可以保证数据的不丢失。
3、如果我们需要考虑针对⾼峰低峰时间段，动态调整实时计算程序的并⾏度，以最⼤限度利⽤集群资源（通常是在⼩型公司，集群资源紧张的情况），我们也可以考虑⽤Storm

对于Spark Streaming来说**：**
1、不满⾜上述3点要求的话，我们可以考虑使⽤Spark Streaming来进⾏实时计算。
2、考虑使⽤Spark Streaming最主要的⼀个因素，应该是针对整个项⽬进⾏宏观的考虑，即，如果⼀个项⽬除了实时计算之外，还包括了离线批处理、交互式查询、图计算和MLIB机器学习等业务功能，⽽且实时计算中，可能还会牵扯到⾼延迟批处理、交互式查询等功能，那么就应该⾸选Spark⽣态，⽤Spark Core开发离线批处理，⽤Spark SQL开发交互式查询，⽤Spark Streaming开发实时计算，三者可以⽆缝整合，给系统提供⾮常⾼的可扩展性。

对于Flink来说**：**
⽀持⾼吞吐、低延迟、⾼性能的流处理
⽀持带有事件时间的窗⼝（Window）操作
⽀持有状态计算的Exactly-once语义
⽀持⾼度灵活的窗⼝（Window）操作，⽀持基于time、count、session，以及data-driven的窗⼝操作
⽀持具有Backpressure功能的持续流模型
⽀持基于轻量级分布式快照（Snapshot）实现的容错
⼀个运⾏时同时⽀持Batch on Streaming处理和Streaming处理
Flink在JVM内部实现了⾃⼰的内存管理
⽀持迭代计算
⽀持程序⾃动优化：避免特定情况下Shuffle、排序等昂贵操作，中间结果有必要进⾏缓存