Spark vs Flink 核心技术点比较

Spark vs Flink 概述

Apache Spark 是一个统一的、快速的分布式计算引擎，能够同时支持批处理与流计算，充分利用内存做并行计算，官方给出Spark内存计算的速度比MapReduce快100倍。因此可以说作为当下最流行的计算框架，Spark已经足够优秀了。

Apache Flink 是一个分布式大数据计算引擎，能够提供基于数据流的有状态计算，被定义为下一代大数据处理引擎，发展十分迅速并且在行业内已有很多最佳实践。

两者都是优秀的框架，究竟有何不同，Spark还没学好现在又来了一个Flink，程序猿攻城狮们能接住招吗！本文主要从部分功能上聊一聊这两款大数据处理引擎。

编程模型

Spark 可以说是一站式的分布式计算引擎，能够支持批处理、流计算、机器学习以及图计算。

• Spark Core：Spark核心模型，底层的高级抽象 RDD 称为弹性分布式数据集，具有高容错性，是并行计算的基石。

• Spark SQL：Spark提供了Spark SQL模块用于处理结构化数据，支持交互式SQL、DataFrame API以及多种语言支持。

• Spark Streaming：可扩展、容错的流计算框架，基于微批（micro batch）处理的模式，Spark2.0 引入了Structured Streaming进一步定义了流计算诸多方面的语义。

• MLlib：原生支持的机器学习库，支持主流的统计与机器学习算法。

• GraphX：Spark提供的分布式图计算框架，能够处理复杂的业务场景比如社交关系、金融担保等。

Flink与Spark类似，同样提供了多种编程模型，从流计算到批处理，再到结构化数据处理以及机器学习、图计算等。

• DataStream API / DataSet API：这是Flink核心的编程模型，这两套API分别面向流处理与批处理，是构建在有状态流处理以及Runtime之上的高级抽象，供大部分业务逻辑处理使用。

• Table API & SQL ：Table API & SQL是以DataStream API 和 DataSet API为基础面向结构化数据处理的高级抽象，提供类似于关系型数据库的Table和SQL查询功能，能够简单方便的操作数据流。

• CEP：是DataStream API / DataSet API的另一个高级抽象，是一个面向复杂事件处理的库。

• FlinkML：Flink机器学习库，批处理API的高级封装，提供可扩展的ML算法、直观的API和工具。

• Gelly：Flink图计算的库，也是在批处理API基础上做的一层封装，提供了创建、转换和修改图的方法以及图算法库。

流处理方面对比

Flink更多的是作为一个流处理引擎，而Spark在流处理方面支持Spark Streaming和Structured Streaming（2.x），下面主要从流处理机制、状态管理、时间语义、Exactly-Once语义等几方面阐述两者的差异。

流处理机制

Spark Streaming流处理的机制是将源源不断的流式数据按照一定时间间隔，分隔成一个一个小的batch批次，然后经过Spark引擎处理后输出到外部系统。实际上是微批操作，因此上述的时间间隔称为Batch Duration，即批处理时间间隔。Spark Streaming这种把流当作一种批的设计思想具有非常高的吞吐量，但避免不了较高的延时，因此Spark Streaming的场景也受到了限制，实时性要求非常高的场景不适合使用Spark Streaming。

Flink本质上就是一个流处理引擎，基于消息事件驱动，并引入了状态管理，因此能够对数据流进行有状态的（Stateful）计算。Flink的设计思想是把批当作一种有限的流，这样在流处理过程中也能够发挥批处理的特性，实现了批流一批化。

状态管理

Spark Streaming支持两种状态管理操作 updateStateByKey 与 mapWithState，分别用来满足类似全量与增量的操作。而在Structured Streaming中有支持用户自定义的mapGroupsWithState和flatMapGroupsWithState状态操作。

Flink设计之初就引入了状态管理，其最突出的表现也是能够进行有状态处理 （Stateful Processing），示意图如下：

时间语义

Spark Streaming只支持处理时间，到了Structured Streaming 模型中同时支持处理时间和事件时间。

Flink中时间和状态是流应用中的两大元素，Flink支持三种时间语义，含义与示图如下：

• 事件时间（Event Time）：是数据产生或消息创建的时间；

• 接入时间（Ingestion Time）：是数据或消息进入Flink计算引擎的时间；

• 处理时间（Processing Time）：是数据被Flink计算引擎处理的时间。

Exactly-Once语义

在容错性方面，Spark Streaming能够保证 At-most-Once 或 At-least-Once 这种至多或至少一次的处理语义，基本上保证不了 Exactly-Once 这种严格一次的处理语义。通常是只实现 At-least-Once 的处理，保证数据不丢失，但是不能保证数据不会被重复处理，因此要求输出端能够支持幂等操作或者更新操作。

Flink能够保证 Exactly-Once 状态一致性的语义，整体上是通过checkpoint机制和两阶段提交协议（two-phase commit）实现的。

具体实现思路可以参考 https://flink.apache.org/features/2018/03/01/end-to-end-exactly-once-apache-flink.html

总结

总的来说，Spark是一个通用的、快速的大数据处理引擎，集批处理、流处理、机器学习与图计算等于一身，基于内存的迭代计算更加高效，目前也在不断增强包括流处理在内的能力。Flink更多的是一个流计算引擎，但又不仅仅是流计算，其实有着和Spark相似的计算模型，特别是流计算的诸多方面要优于Spark。

往期推荐

1、HBase最佳实践 | 聊聊HBase核心配置参数
2、Apache Hudi：剑指数据湖的增量处理框架
3、Hadoop社区比 Ozone 更重要的事情
4、MapReduce Shuffle 和 Spark Shuffle 结业篇