Apache Spark 和 Apache Flink,如何选择?

阅读数:3411 2016 年 3 月 29 日

话题:语言 & 开发架构Spark

Spark Streaming 和 Flink 都能提供恰好一次的保证,即每条记录都仅处理一次。与其他处理系统(比如 Storm)相比,它们都能提供一个非常高的吞吐量。它们的容错开销也都非常低。之前,Spark 提供了可配置的内存管理,而 Flink 提供了自动内存管理,但从 1.6 版本开始,Spark 也提供了自动内存管理。这两个流处理引擎确实有许多相似之处,但它们也有着巨大的差异。近日,MapR Technologies产品经理 Balaji Mohanam 在公司内部的白板演示中比较Apache SparkApache Flink的不同之处,用户可以参考这种比较做出选择。

为了方便说明,Mohanam 首先对批处理、微批处理和连续流操作符等三种计算模式进行了解释。批处理基本上处理静态数据,一次读入大量数据进行处理并生成输出。微批处理结合了批处理和连续流操作符,将输入分成多个微批次进行处理。从根本上讲,微批处理是一个“收集然后处理”的计算模型。连续流操作符则在数据到达时进行处理,没有任何数据收集或处理延迟。

Apache Spark 和 Apache Flink 的主要差别就在于计算模型不同。Spark 采用了微批处理模型,而 Flink 采用了基于操作符的连续流模型。因此,对 Apache Spark 和 Apache Flink 的选择实际上变成了计算模型的选择,而这种选择需要在延迟、吞吐量和可靠性等多个方面进行权衡。

随着数据处理能力的提高,企业开始认识到,信息的价值在数据产生的时候最高。他们希望在数据产生时处理数据,这就是说需要一个实时处理系统。但也不是所有情况都需要实时系统。Mohanam 分别例举了一些适合微批处理或实时流处理的场景。比如有两个广告科技行业的场景:一个是聚合来自不同 IP 地址的不同 IP 请求,将 IP 归入黑名单或白名单;另一个是设法阻止一个黑名单 IP 的特定请求。前者使用微批处理就可以,而后者就需要实时流处理。再比如,在电信行业,统计特定用户使用的带宽,微批处理可能是一个更高效的方案,而网络异常检测就需要实时流处理了。也有一些场景,微批处理和实时流处理都适用,如在 IoT 行业查看特定工业设备的使用情况。

要了解更多内容,可以观看 Mohanam 的演示视频


感谢杜小芳对本文的审校。

给 InfoQ 中文站投稿或者参与内容翻译工作,请邮件至editors@cn.infoq.com。也欢迎大家通过新浪微博(@InfoQ@丁晓昀),微信(微信号:InfoQChina)关注我们。