大数据处理引擎Spark与Flink对比分析

大数据技术正飞速地发展着，催生出一代又一代快速便捷的大数据处理引擎，无论是Hadoop、Storm，还是后来的Spark、Flink。然而，毕竟没有哪一个框架可以完全支持所有的应用场景，也就说明不可能有任何一个框架可以完全取代另一个。我们将从几个项出发着重对比Spark与Flink这两个大数据处理引擎，探讨其两者的区别。

 

　　一、Spark与Flink几个主要项目的对比与分析

　　1.性能对比

　　测试环境：

　　CPU：7000个

　　内存：单机128GB

　　版本：Hadoop 2.3.0，Spark 1.4，Flink 0.9

　　数据：800MB，8GB，8TB

　　算法：K-means：以空间中K个点为中心进行聚类，对最靠近它们的对象归类，通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果

　　迭代：K=10，3组数据

　　相同点：Spark与Flink都运行在Hadoop YARN上，两者都拥有非常好的计算性能，因为两者都可以基于内存计算框架以进行实时计算。

　　相异点：结合上图三者的迭代次数（纵坐标是秒，横坐标是次数）图表观察，可得出在性能上，呈现Flink > Spark > Hadoop（MR）的结果，且迭代次数越多越明显。Flink之所以优于Spark和Hadoop，最主要的原因是Flink支持增量迭代，具有对迭代自动优化的功能。

　　结果：Flink胜。

　　2.流式计算比较

　　相同点：Spark与Flink都支持流式计算。

　　相异点：Spark是基于数据片集合（RDD）进行小批量处理的，它只能支持秒级计算，所以Spark在流式处理方面，不可避免会增加一些延时。Flink是一行一行的，它的流式计算跟Storm的性能差不多，是支持毫秒级计算的。

　　结果：Flink胜。

　　3.与Hadoop兼容性对比

　　相同点：Spark与Flink的数据存取都支持HDFS、HBase等数据源，而且，它们的计算资源调度都支持YARN的方式。

　　相异点：Spark不支持TableMapper和TableReducer这些方法。Flink对Hadoop有着更好的兼容，如可以支持原生HBase的TableMapper和TableReducer，唯一不足是新版本的MapReduce方法无法得到支持，现在只支持老版本的MapReduce方法。

　　结果：Flink胜。

　　4.SQL支持对比

　　相同点：两者都支持SQL。

　　相异点：从范围上说，Spark对SQL的支持比Flink的要大一些，而且Spark支持对SQL的优化（包括代码生成和快速Join操作），还要提供对SQL语句的扩展和更好地集成。Flink主要支持对API级的优化。

　　结果：Spark胜。

　　5.计算迭代对比

　　相同点：如下图所示，Hadoop（MR）、Spark和Flink均能迭代。

　　相异点：Flink特有delta-iterations，这让它能够在迭代中显著减少计算。并且Flink具有自动优化迭代程序功能，具体流程如下图所示。

　　结果：Flink胜。

　　6.社区支持对比

　　相同点：Spark与Flink均有社区支持。

　　相异点：Spark社区活跃度比Flink高很多。

　　结果：Spark胜。

　　二、Spark与Flink的特点剖析

　　1.Spark 1.4的6大特点

　　众所周知，提出最主要抽象概念——弹性分布式数据集（RDD）的是Spark。RDD是一个元素集合，将其划分到集群的各个节点上可以被并行操作。当然，用户也可以让Spark保留一个RDD在内存里，让其能在并行操作中被有效地重复使用。Spark是实至名归的快速、通用的计算集群系统。结合下图Spark架构图与生态系统图，可以看出Spark 1.4的6大特点：

 

　　①Spark SQL（DataFrame）添加了ORCFile类型支持以及所有的Hive metastore支持；

　　②增加了UI的Spark Streaming，使得用户查看各种状态更加地便捷，随着和Kafka融合的加深，对Kinesis的支持也加强了很多；

　　③Spark之所以提供了更多的算法和工具，是因为Spark ML/MLlib的ML pipelines越来越成熟；

　　④使用了REST API，Spark可以为应用获取如jobs、stages、storage info、tasks等各种信息；

　　⑤内存管理、代码生成、垃圾回收等方面都有很多改进，这些都得益于Tungsten项目的持续优化；

　　⑥SparkR的发布让Spark得到更友好的R语法的支持。

　　2.Flink 0.9的7大特点

　　作为可扩展的批处理和流式数据处理的数据处理平台，Flink的设计思想主要来源于Hadoop、MPP数据库、流式计算系统等。支持增量迭代计算是Flink最大的特点，而且其对于迭代计算和流式计算的支持力度都将会加强。结合下图Flink架构图与生态系统图，可以看出Flink 0.9的7大特点：

　　①搭载DataSet API，让Flink支持Java、Python和Scala等多种编程语言；

　　②同样地，搭载DataStream API，让Flink支持Java和Scala；

　　③Flink ML和Gelly提供机器学习和图处理的多种库；

　　④Table API能够支持类SQL；

　　⑤Flink能够支持高效序列化、反序列化；

　　⑥Flink和Hadoop相互兼容；

　　⑦Flink拥有自动优化迭代的功能。

　　放眼未来，无论是Spark还是Flink，两者的发展重点都将是数据科学和平台API化，使其生态系统越来越完善。亦或许，会有更新的大数据处理引擎出现，谁知道呢。

转载于：https://blog.csdn.net/dashenghuahua/article/details/53634472