选型宝每日精选：业界排名Top6的大数据框架

原作：Tynej
翻译：way
市场上有许多可用的框架。其中一些相对更受欢迎，例如Spark，Hadoop，Hive和Storm，普雷斯托（Presto）在效用指数上得分很高，而Flink具有巨大的潜力。另外还有一些需要提及的其他内容，例如Samza，Impala，Apache Pig等大数据组件。在这里，我们将讨论其中的一些

一：Apache Hadoop
Hadoop是基于Java的平台。这是一个开源框架，可跨集群排列的一组硬件机器提供批处理数据处理和数据存储服务。Hadoop不仅适用于可靠、可扩展和分布式的计算，同时也可以用作通用文件存储，它可以存储和处理PB级别的信息。Hadoop由三个主要组件组成：
HDFS文件系统-负责Hadoop集群中的数据存储；
MapReduce系统-用于处理集群中的大量数据；
YARN-它是处理资源管理的核心。
优点
它提供了经济高效的解决方案，高吞吐量，多语言支持以及与大数据服务中大多数新兴技术的兼容性。还通过其出色的故障处理机制支持高可伸缩性，容错能力，更适合研发，高可用性。
缺点
它包含安全漏洞的漏洞，不执行内存中的计算，因此会遭受处理开销，不适用于流处理和实时处理，这是处理大量小文件的问题。
像Amazon，Adobe，AOL，阿里巴巴，EBay和Facebook这样的组织也使用Hadoop。

二： Apache Spark
Spark框架由加利福尼亚大学伯克利分校成立。它是具有改进的数据流处理的批处理框架。借助完整的内存计算以及处理优化，它保证了极其快速的集群计算系统。
Spark框架由五层组成。
HDFS和HBASE：它们构成了数据存储系统的第一层。
YARN和Mesos：它们形成资源管理层。
核心引擎：这形成了第三层。
库：构成第四层，其中包含用于流查询处理时的SQL查询的Spark SQL，用于处理图形数据的GraphX和Spark R实用程序以及用于机器学习算法的MLlib。
第五层包含一个应用程序接口，例如Java、Scala，当然还有python。
Spark可以作为独立的集群与功能强大的存储层一起使用，也可以与Hadoop进行一致的集成。它也支持一些流行的语言，例如Python，R，Java和Scala。
优点
速度快
使用方便
进阶分析
自然动态
多种语言
Apache Spark功能强大
增加对大数据的访问
对Spark开发人员的需求
开源社区活跃
缺点
Spark带来了一些弊端，例如设置和实现的复杂性，语言支持限制，而不是真正的流引擎。

三：Storm
Apache Storm是另一个引人注目的解决方案，专注于处理巨大的实时数据流。Storm的主要亮点是可伸缩性和停机后的迅速恢复能力。您可以在Java，Python，Ruby和Fancy的帮助下使用此解决方案。Storm包含一些使其在本质上与模拟产品不同的组件。第一个是Tuple，它是支持序列化的关键数据表示元素。然后是Stream，它在Tuple中合并了命名字段的方案。Spout从外部源获取数据，从它们中形成元组，然后将它们发送到Stream。另外还有Bolt（数据处理器）和Topology（拓扑），这是一整套元素及其相关描述。将所有这些元素组合在一起，可以帮助工程师监督大量的非结构化数据流。
谈到性能，Storm提供了比Flink和Spark更好的延迟。尽管如此，它的吞吐量却更糟。最近，Twitter移至另一个框架Heron。Yelp，Yahoo 、阿里巴巴等大型组织尚未利用Storm。到2020年，它将拥有庞大的客户群和支持。

四： Apache Flink
Apache Flink是一个开源框架，同样适用于批处理和流数据处理。它最适合于集群环境。该框架基于转换–流概念。它也是大数据的4G。它比Hadoop中的计算框架MapReduce快100倍。
Flink框架由多层组成
部署层
运行层
库层
优点
低延迟，高吞吐量，容错，逐项输入，批处理轻松以及流数据处理，与Hadoop的兼容性。
缺点
很少有可伸缩性问题。

五： Presto
它是最适合较小数据集的开源分布式SQL工具。Presto发动机配备了协调员以及各种工人。当客户提交查询时，将对这些查询进行解析，分析，计划执行并分配给协调员在工作人员之间进行处理。
优点
即使并发查询工作量增加，查询降级最少。
它的查询执行速度比Hive快三倍。
易于添加图像和嵌入链接。
高度用户友好。
缺点
可靠性问题

六：Samza
Apache Samza是有状态的流，准备与Kafka共同开发的大数据系统。Kafka提供数据服务，缓冲和容错能力。两者结合起来被提议用于需要快速单级处理的地方。使用Kafka，可以以低延迟使用它。Samza还在处理过程中保存了局部状态，从而提供了更多的容错能力。它是为Kappa体系结构设计的，但可以在其他体系结构中使用。Samza使用YARN来安排资源。因此，它需要一个Hadoop集群才能工作，这意味着您可以依赖YARN提供的亮点。这个大数据处理框架是为Linkedin开发的，也被eBay和TripAdvisor使用，以进行欺诈发现。Kafka利用了相当一部分代码来创建竞争的数据处理框架Kafka流。

原文：
https://www.reddit.com/r/bigdata/comments/dtbtui/top_6_big_data_frameworks/