大數(shù)據(jù)框架對比

-.z.簡介大數(shù)據(jù)是收集、整理、處理大容量數(shù)據(jù)集，并從中獲得見解所需的非傳統(tǒng)戰(zhàn)略和技術(shù)的總稱。雖然處理數(shù)據(jù)所需的計算能力或存儲容量早已超過一臺計算機(jī)的上限，但這種計算類型的普遍性、規(guī)模，以及價值在最近幾年才經(jīng)歷了大規(guī)模擴(kuò)展。在之前的文章中，我們曾經(jīng)介紹過有關(guān)大數(shù)據(jù)系統(tǒng)的常規(guī)概念、處理過程，以及各種專門術(shù)語，本文將介紹大數(shù)據(jù)系統(tǒng)一個最基本的組件：處理框架。處理框架負(fù)責(zé)對系統(tǒng)中的數(shù)據(jù)進(jìn)行計算，例如處理從非易失存儲中讀取的數(shù)據(jù)，或處理剛剛攝入到系統(tǒng)中的數(shù)據(jù)。數(shù)據(jù)的計算則是指從大量單一數(shù)據(jù)點中提取信息和見解的過程。下文將介紹這些框架：僅批處理框架：ApacheHadoop僅流處理框架：ApacheStormApacheSamza混合框架：ApacheSparkApacheFlink大數(shù)據(jù)處理框架是什么？處理框架和處理引擎負(fù)責(zé)對數(shù)據(jù)系統(tǒng)中的數(shù)據(jù)進(jìn)行計算。雖然“引擎”和“框架”之間的區(qū)別沒有什么權(quán)威的定義，但大部分時候可以將前者定義為實際負(fù)責(zé)處理數(shù)據(jù)操作的組件，后者則可定義為承擔(dān)類似作用的一系列組件。例如ApacheHadoop可以看作一種以MapReduce作為默認(rèn)處理引擎的處理框架。引擎和框架通?？梢韵嗷ヌ鎿Q或同時使用。例如另一個框架ApacheSpark可以納入Hadoop并取代MapReduce。組件之間的這種互操作性是大數(shù)據(jù)系統(tǒng)靈活性如此之高的原因之一。雖然負(fù)責(zé)處理生命周期內(nèi)這一階段數(shù)據(jù)的系統(tǒng)通常都很復(fù)雜，但從廣義層面來看它們的目標(biāo)是非常一致的：通過對數(shù)據(jù)執(zhí)行操作提高理解能力，揭示出數(shù)據(jù)蘊(yùn)含的模式，并針對復(fù)雜互動獲得見解。為了簡化這些組件的討論，我們會通過不同處理框架的設(shè)計意圖，按照所處理的數(shù)據(jù)狀態(tài)對其進(jìn)行分類。一些系統(tǒng)可以用批處理方式處理數(shù)據(jù)，一些系統(tǒng)可以用流方式處理連續(xù)不斷流入系統(tǒng)的數(shù)據(jù)。此外還有一些系統(tǒng)可以同時處理這兩類數(shù)據(jù)。在深入介紹不同實現(xiàn)的指標(biāo)和結(jié)論之前，首先需要對不同處理類型的概念進(jìn)行一個簡單的介紹。批處理系統(tǒng)批處理在大數(shù)據(jù)世界有著悠久的歷史。批處理主要操作大容量靜態(tài)數(shù)據(jù)集，并在計算過程完成后返回結(jié)果。批處理模式中使用的數(shù)據(jù)集通常符合下列特征...有界：批處理數(shù)據(jù)集代表數(shù)據(jù)的有限集合持久：數(shù)據(jù)通常始終存儲在*種類型的持久存儲位置中大量：批處理操作通常是處理極為海量數(shù)據(jù)集的唯一方法批處理非常適合需要訪問全套記錄才能完成的計算工作。例如在計算總數(shù)和平均數(shù)時，必須將數(shù)據(jù)集作為一個整體加以處理，而不能將其視作多條記錄的集合。這些操作要求在計算進(jìn)行過程中數(shù)據(jù)維持自己的狀態(tài)。需要處理大量數(shù)據(jù)的任務(wù)通常最適合用批處理操作進(jìn)行處理。無論直接從持久存儲設(shè)備處理數(shù)據(jù)集，或首先將數(shù)據(jù)集載入內(nèi)存，批處理系統(tǒng)在設(shè)計過程中就充分考慮了數(shù)據(jù)的量，可提供充足的處理資源。由于批處理在應(yīng)對大量持久數(shù)據(jù)方面的表現(xiàn)極為出色，因此經(jīng)常被用于對歷史數(shù)據(jù)進(jìn)行分析。大量數(shù)據(jù)的處理需要付出大量時間，因此批處理不適合對處理時間要求較高的場合。ApacheHadoopApacheHadoop是一種專用于批處理的處理框架。Hadoop是首個在開源社區(qū)獲得極大關(guān)注的大數(shù)據(jù)框架?；诠雀栌嘘P(guān)海量數(shù)據(jù)處理所發(fā)表的多篇論文與經(jīng)驗的Hadoop重新實現(xiàn)了相關(guān)算法和組件堆棧，讓大規(guī)模批處理技術(shù)變得更易用。新版Hadoop包含多個組件，即多個層，通過配合使用可處理批數(shù)據(jù)：HDFS：HDFS是一種分布式文件系統(tǒng)層，可對集群節(jié)點間的存儲和復(fù)制進(jìn)行協(xié)調(diào)。HDFS確保了無法避免的節(jié)點故障發(fā)生后數(shù)據(jù)依然可用，可將其用作數(shù)據(jù)來源，可用于存儲中間態(tài)的處理結(jié)果，并可存儲計算的最終結(jié)果。YARN：YARN是YetAnotherResourceNegotiator（另一個資源管理器）的縮寫，可充當(dāng)Hadoop堆棧的集群協(xié)調(diào)組件。該組件負(fù)責(zé)協(xié)調(diào)并管理底層資源和調(diào)度作業(yè)的運(yùn)行。通過充當(dāng)集群資源的接口，YARN使得用戶能在Hadoop集群中使用比以往的迭代方式運(yùn)行更多類型的工作負(fù)載。MapReduce：MapReduce是Hadoop的原生批處理引擎。批處理模式Hadoop的處理功能來自MapReduce引擎。MapReduce的處理技術(shù)符合使用鍵值對的map、shuffle、reduce算法要求?；咎幚磉^程包括：從HDFS文件系統(tǒng)讀取數(shù)據(jù)集將數(shù)據(jù)集拆分成小塊并分配給所有可用節(jié)點針對每個節(jié)點上的數(shù)據(jù)子集進(jìn)行計算（計算的中間態(tài)結(jié)果會重新寫入HDFS）重新分配中間態(tài)結(jié)果并按照鍵進(jìn)行分組通過對每個節(jié)點計算的結(jié)果進(jìn)行匯總和組合對每個鍵的值進(jìn)行“Reducing”將計算而來的最終結(jié)果重新寫入HDFS優(yōu)勢和局限由于這種方法嚴(yán)重依賴持久存儲，每個任務(wù)需要多次執(zhí)行讀取和寫入操作，因此速度相對較慢。但另一方面由于磁盤空間通常是服務(wù)器上最豐富的資源，這意味著MapReduce可以處理非常海量的數(shù)據(jù)集。同時也意味著相比其他類似技術(shù)，Hadoop的MapReduce通?？梢栽诹畠r硬件上運(yùn)行，因為該技術(shù)并不需要將一切都存儲在內(nèi)存中。MapReduce具備極高的縮放潛力，生產(chǎn)環(huán)境中曾經(jīng)出現(xiàn)過包含數(shù)萬個節(jié)點的應(yīng)用。MapReduce的學(xué)習(xí)曲線較為陡峭，雖然Hadoop生態(tài)系統(tǒng)的其他周邊技術(shù)可以大幅降低這一問題的影響，但通過Hadoop集群快速實現(xiàn)*些應(yīng)用時依然需要注意這個問題。圍繞Hadoop已經(jīng)形成了遼闊的生態(tài)系統(tǒng)，Hadoop集群本身也經(jīng)常被用作其他軟件的組成部件。很多其他處理框架和引擎通過與Hadoop集成也可以使用HDFS和YARN資源管理器。總結(jié)ApacheHadoop及其MapReduce處理引擎提供了一套久經(jīng)考驗的批處理模型，最適合處理對時間要求不高的非常大規(guī)模數(shù)據(jù)集。通過非常低成本的組件即可搭建完整功能的Hadoop集群，使得這一廉價且高效的處理技術(shù)可以靈活應(yīng)用在很多案例中。與其他框架和引擎的兼容與集成能力使得Hadoop可以成為使用不同技術(shù)的多種工作負(fù)載處理平臺的底層基礎(chǔ)。流處理系統(tǒng)流處理系統(tǒng)會對隨時進(jìn)入系統(tǒng)的數(shù)據(jù)進(jìn)行計算。相比批處理模式，這是一種截然不同的處理方式。流處理方式無需針對整個數(shù)據(jù)集執(zhí)行操作，而是對通過系統(tǒng)傳輸?shù)拿總€數(shù)據(jù)項執(zhí)行操作。流處理中的數(shù)據(jù)集是“無邊界”的，這就產(chǎn)生了幾個重要的影響：完整數(shù)據(jù)集只能代表截至目前已經(jīng)進(jìn)入到系統(tǒng)中的數(shù)據(jù)總量。工作數(shù)據(jù)集也許更相關(guān)，在特定時間只能代表*個單一數(shù)據(jù)項。處理工作是基于事件的，除非明確停止否則沒有“盡頭”。處理結(jié)果立刻可用，并會隨著新數(shù)據(jù)的抵達(dá)繼續(xù)更新。流處理系統(tǒng)可以處理幾乎無限量的數(shù)據(jù)，但同一時間只能處理一條（真正的流處理）或很少量（微批處理，Micro-batchProcessing）數(shù)據(jù)，不同記錄間只維持最少量的狀態(tài)。雖然大部分系統(tǒng)提供了用于維持*些狀態(tài)的方法，但流處理主要針對副作用更少，更加功能性的處理（Functionalprocessing）進(jìn)行優(yōu)化。功能性操作主要側(cè)重于狀態(tài)或副作用有限的離散步驟。針對同一個數(shù)據(jù)執(zhí)行同一個操作會或略其他因素產(chǎn)生相同的結(jié)果，此類處理非常適合流處理，因為不同項的狀態(tài)通常是*些困難、限制，以及*些情況下不需要的結(jié)果的結(jié)合體。因此雖然*些類型的狀態(tài)管理通常是可行的，但這些框架通常在不具備狀態(tài)管理機(jī)制時更簡單也更高效。此類處理非常適合*些類型的工作負(fù)載。有近實時處理需求的任務(wù)很適合使用流處理模式。分析、服務(wù)器或應(yīng)用程序錯誤日志，以及其他基于時間的衡量指標(biāo)是最適合的類型，因為對這些領(lǐng)域的數(shù)據(jù)變化做出響應(yīng)對于業(yè)務(wù)職能來說是極為關(guān)鍵的。流處理很適合用來處理必須對變動或峰值做出響應(yīng)，并且關(guān)注一段時間內(nèi)變化趨勢的數(shù)據(jù)。ApacheStormApacheStorm是一種側(cè)重于極低延遲的流處理框架，也許是要求近實時處理的工作負(fù)載的最佳選擇。該技術(shù)可處理非常大量的數(shù)據(jù)，通過比其他解決方案更低的延遲提供結(jié)果。流處理模式Storm的流處理可對框架中名為Topology（拓?fù)洌┑腄AG（DirectedAcyclicGraph，有向無環(huán)圖）進(jìn)行編排。這些拓?fù)涿枋隽水?dāng)數(shù)據(jù)片段進(jìn)入系統(tǒng)后，需要對每個傳入的片段執(zhí)行的不同轉(zhuǎn)換或步驟。拓?fù)浒篠tream：普通的數(shù)據(jù)流，這是一種會持續(xù)抵達(dá)系統(tǒng)的無邊界數(shù)據(jù)。Spout：位于拓?fù)溥吘壍臄?shù)據(jù)流來源，例如可以是API或查詢等，從這里可以產(chǎn)生待處理的數(shù)據(jù)。Bolt：Bolt代表需要消耗流數(shù)據(jù)，對其應(yīng)用操作，并將結(jié)果以流的形式進(jìn)行輸出的處理步驟。Bolt需要與每個Spout建立連接，隨后相互連接以組成所有必要的處理。在拓?fù)涞奈膊?，可以使用最終的Bolt輸出作為相互連接的其他系統(tǒng)的輸入。Storm背后的想法是使用上述組件定義大量小型的離散操作，隨后將多個組件組成所需拓?fù)洹ＤJ(rèn)情況下Storm提供了“至少一次”的處理保證，這意味著可以確保每條消息至少可以被處理一次，但*些情況下如果遇到失敗可能會處理多次。Storm無法確?？梢园凑仗囟樞蛱幚硐?。為了實現(xiàn)嚴(yán)格的一次處理，即有狀態(tài)處理，可以使用一種名為Trident的抽象。嚴(yán)格來說不使用Trident的Storm通?？煞Q之為CoreStorm。Trident會對Storm的處理能力產(chǎn)生極大影響，會增加延遲，為處理提供狀態(tài)，使用微批模式代替逐項處理的純粹流處理模式。為避免這些問題，通常建議Storm用戶盡可能使用CoreStorm。然而也要注意，Trident對內(nèi)容嚴(yán)格的一次處理保證在*些情況下也比較有用，例如系統(tǒng)無法智能地處理重復(fù)消息時。如果需要在項之間維持狀態(tài)，例如想要計算一個小時內(nèi)有多少用戶點擊了*個，此時Trident將是你唯一的選擇。盡管不能充分發(fā)揮框架與生俱來的優(yōu)勢，但Trident提高了Storm的靈活性。Trident拓?fù)浒毫髋⊿treambatch）：這是指流數(shù)據(jù)的微批，可通過分塊提供批處理語義。操作（Operation）：是指可以對數(shù)據(jù)執(zhí)行的批處理過程。優(yōu)勢和局限目前來說Storm可能是近實時處理領(lǐng)域的最佳解決方案。該技術(shù)可以用極低延遲處理數(shù)據(jù)，可用于希望獲得最低延遲的工作負(fù)載。如果處理速度直接影響用戶體驗，例如需要將處理結(jié)果直接提供給訪客打開的頁面，此時Storm將會是一個很好的選擇。Storm與Trident配合使得用戶可以用微批代替純粹的流處理。雖然借此用戶可以獲得更大靈活性打造更符合要求的工具，但同時這種做法會削弱該技術(shù)相比其他解決方案最大的優(yōu)勢。話雖如此，但多一種流處理方式總是好的。CoreStorm無法保證消息的處理順序。CoreStorm為消息提供了“至少一次”的處理保證，這意味著可以保證每條消息都能被處理，但也可能發(fā)生重復(fù)。Trident提供了嚴(yán)格的一次處理保證，可以在不同批之間提供順序處理，但無法在一個批內(nèi)部實現(xiàn)順序處理。在互操作性方面，Storm可與Hadoop的YARN資源管理器進(jìn)行集成，因此可以很方便地融入現(xiàn)有Hadoop部署。除了支持大部分處理框架，Storm還可支持多種語言，為用戶的拓?fù)涠x提供了更多選擇?？偨Y(jié)對于延遲需求很高的純粹的流處理工作負(fù)載，Storm可能是最適合的技術(shù)。該技術(shù)可以保證每條消息都被處理，可配合多種編程語言使用。由于Storm無法進(jìn)行批處理，如果需要這些能力可能還需要使用其他軟件。如果對嚴(yán)格的一次處理保證有比較高的要求，此時可考慮使用Trident。不過這種情況下其他流處理框架也許更適合。ApacheSamzaApacheSamza是一種與ApacheKafka消息系統(tǒng)緊密綁定的流處理框架。雖然Kafka可用于很多流處理系統(tǒng)，但按照設(shè)計，Samza可以更好地發(fā)揮Kafka獨(dú)特的架構(gòu)優(yōu)勢和保障。該技術(shù)可通過Kafka提供容錯、緩沖，以及狀態(tài)存儲。Samza可使用YARN作為資源管理器。這意味著默認(rèn)情況下需要具備Hadoop集群（至少具備HDFS和YARN），但同時也意味著Samza可以直接使用YARN豐富的內(nèi)建功能。流處理模式Samza依賴Kafka的語義定義流的處理方式。Kafka在處理數(shù)據(jù)時涉及下列概念：Topic（話題）：進(jìn)入Kafka系統(tǒng)的每個數(shù)據(jù)流可稱之為一個話題。話題基本上是一種可供消耗方訂閱的，由相關(guān)信息組成的數(shù)據(jù)流。Partition（分區(qū)）：為了將一個話題分散至多個節(jié)點，Kafka會將傳入的消息劃分為多個分區(qū)。分區(qū)的劃分將基于鍵（Key）進(jìn)行，這樣可以保證包含同一個鍵的每條消息可以劃分至同一個分區(qū)。分區(qū)的順序可獲得保證。Broker（代理）：組成Kafka集群的每個節(jié)點也叫做代理。Producer（生成方）：任何向Kafka話題寫入數(shù)據(jù)的組件可以叫做生成方。生成方可提供將話題劃分為分區(qū)所需的鍵。Consumer（消耗方）：任何從Kafka讀取話題的組件可叫做消耗方。消耗方需要負(fù)責(zé)維持有關(guān)自己分支的信息，這樣即可在失敗后知道哪些記錄已經(jīng)被處理過了。由于Kafka相當(dāng)于永恒不變的日志，Samza也需要處理永恒不變的數(shù)據(jù)流。這意味著任何轉(zhuǎn)換創(chuàng)建的新數(shù)據(jù)流都可被其他組件所使用，而不會對最初的數(shù)據(jù)流產(chǎn)生影響。優(yōu)勢和局限乍看之下，Samza對Kafka類查詢系統(tǒng)的依賴似乎是一種限制，然而這也可以為系統(tǒng)提供一些獨(dú)特的保證和功能，這些內(nèi)容也是其他流處理系統(tǒng)不具備的。例如Kafka已經(jīng)提供了可以通過低延遲方式訪問的數(shù)據(jù)存儲副本，此外還可以為每個數(shù)據(jù)分區(qū)提供非常易用且低成本的多訂閱者模型。所有輸出內(nèi)容，包括中間態(tài)的結(jié)果都可寫入到Kafka，并可被下游步驟獨(dú)立使用。這種對Kafka的緊密依賴在很多方面類似于MapReduce引擎對HDFS的依賴。雖然在批處理的每個計算之間對HDFS的依賴導(dǎo)致了一些嚴(yán)重的性能問題，但也避免了流處理遇到的很多其他問題。Samza與Kafka之間緊密的關(guān)系使得處理步驟本身可以非常松散地耦合在一起。無需事先協(xié)調(diào)，即可在輸出的任何步驟中增加任意數(shù)量的訂閱者，對于有多個團(tuán)隊需要訪問類似數(shù)據(jù)的組織，這一特性非常有用。多個團(tuán)隊可以全部訂閱進(jìn)入系統(tǒng)的數(shù)據(jù)話題，或任意訂閱其他團(tuán)隊對數(shù)據(jù)進(jìn)行過*些處理后創(chuàng)建的話題。這一切并不會對數(shù)據(jù)庫等負(fù)載密集型基礎(chǔ)架構(gòu)造成額外的壓力。直接寫入Kafka還可避免回壓（Backpressure）問題?；貕菏侵府?dāng)負(fù)載峰值導(dǎo)致數(shù)據(jù)流入速度超過組件實時處理能力的情況，這種情況可能導(dǎo)致處理工作停頓并可能丟失數(shù)據(jù)。按照設(shè)計，Kafka可以將數(shù)據(jù)保存很長時間，這意味著組件可以在方便的時候繼續(xù)進(jìn)行處理，并可直接重啟動而無需擔(dān)心造成任何后果。Samza可以使用以本地鍵值存儲方式實現(xiàn)的容錯檢查點系統(tǒng)存儲數(shù)據(jù)。這樣Samza即可獲得“至少一次”的交付保障，但面對由于數(shù)據(jù)可能多次交付造成的失敗，該技術(shù)無法對匯總后狀態(tài)（例如計數(shù)）提供精確恢復(fù)。Samza提供的高級抽象使其在很多方面比Storm等系統(tǒng)提供的基元（Primitive）更易于配合使用。目前Samza只支持JVM語言，這意味著它在語言支持方面不如Storm靈活?？偨Y(jié)對于已經(jīng)具備或易于實現(xiàn)Hadoop和Kafka的環(huán)境，ApacheSamza是流處理工作負(fù)載一個很好的選擇。Samza本身很適合有多個團(tuán)隊需要使用（但相互之間并不一定緊密協(xié)調(diào)）不同處理階段的多個數(shù)據(jù)流的組織。Samza可大幅簡化很多流處理工作，可實現(xiàn)低延遲的性能。如果部署需求與當(dāng)前系統(tǒng)不兼容，也許并不適合使用，但如果需要極低延遲的處理，或?qū)?yán)格的一次處理語義有較高需求，此時依然適合考慮?；旌咸幚硐到y(tǒng)：批處理和流處理一些處理框架可同時處理批處理和流處理工作負(fù)載。這些框架可以用相同或相關(guān)的組件和API處理兩種類型的數(shù)據(jù)，借此讓不同的處理需求得以簡化。如你所見，這一特性主要是由Spark和Flink實現(xiàn)的，下文將介紹這兩種框架。實現(xiàn)這樣的功能重點在于兩種不同處理模式如何進(jìn)行統(tǒng)一，以及要對固定和不固定數(shù)據(jù)集之間的關(guān)系進(jìn)行何種假設(shè)。雖然側(cè)重于*一種處理類型的項目會更好地滿足具體用例的要求，但混合框架意在提供一種數(shù)據(jù)處理的通用解決方案。這種框架不僅可以提供處理數(shù)據(jù)所需的方法，而且提供了自己的集成項、庫、工具，可勝任圖形分析、機(jī)器學(xué)習(xí)、交互式查詢等多種任務(wù)。ApacheSparkApacheSpark是一種包含流處理能力的下一代批處理框架。與Hadoop的MapReduce引擎基于各種相同原則開發(fā)而來的Spark主要側(cè)重于通過完善的內(nèi)存計算和處理優(yōu)化機(jī)制加快批處理工作負(fù)載的運(yùn)行速度。Spark可作為獨(dú)立集群部署（需要相應(yīng)存儲層的配合），或可與Hadoop集成并取代MapReduce引擎。批處理模式與MapReduce不同，Spark的數(shù)據(jù)處理工作全部在內(nèi)存中進(jìn)行，只在一開始將數(shù)據(jù)讀入內(nèi)存，以及將最終結(jié)果持久存儲時需要與存儲層交互。所有中間態(tài)的處理結(jié)果均存儲在內(nèi)存中。雖然內(nèi)存中處理方式可大幅改善性能，Spark在處理與磁盤有關(guān)的任務(wù)時速度也有很大提升，因為通過提前對整個任務(wù)集進(jìn)行分析可以實現(xiàn)更完善的整體式優(yōu)化。為此Spark可創(chuàng)建代表所需執(zhí)行的全部操作，需要操作的數(shù)據(jù)，以及操作和數(shù)據(jù)之間關(guān)系的DirectedAcyclicGraph（有向無環(huán)圖），即DAG，借此處理器可以對任務(wù)進(jìn)行更智能的協(xié)調(diào)。為了實現(xiàn)內(nèi)存中批計算，Spark會使用一種名為ResilientDistributedDataset（彈性分布式數(shù)據(jù)集），即RDD的模型來處理數(shù)據(jù)。這是一種代表數(shù)據(jù)集，只位于內(nèi)存中，永恒不變的結(jié)構(gòu)。針對RDD執(zhí)行的操作可生成新的RDD。每個RDD可通過世系（Lineage）回溯至父級RDD，并最終回溯至磁盤上的數(shù)據(jù)。Spark可通過RDD在無需將每個操作的結(jié)果寫回磁盤的前提下實現(xiàn)容錯。流處理模式流處理能力是由SparkStreaming實現(xiàn)的。Spark本身在設(shè)計上主要面向批處理工作負(fù)載，為了彌補(bǔ)引擎設(shè)計和流處理工作負(fù)載特征方面的差異，Spark實現(xiàn)了一種叫做微批（Micro-batch）*的概念。在具體策略方面該技術(shù)可以將數(shù)據(jù)流視作一系列非常小的“批”，借此即可通過批處理引擎的原生語義進(jìn)行處理。SparkStreaming會以亞秒級增量對流進(jìn)行緩沖，隨后這些緩沖會作為小規(guī)模的固定數(shù)據(jù)集進(jìn)行批處理。這種方式的實際效果非常好，但相比真正的流處理框架在性能方面依然存在不足。優(yōu)勢和局限使用Spark而非HadoopMapReduce的主要原因是速度。在內(nèi)存計算策略和先進(jìn)的DAG調(diào)度等機(jī)制的幫助下，Spark可以用更快速度處理相同的數(shù)據(jù)集。Spark的另一個重要優(yōu)勢在于多樣性。該產(chǎn)品可作為獨(dú)立集群部署，或與現(xiàn)有Hadoop集群集成。該產(chǎn)品可運(yùn)行批處理和流處理，運(yùn)行一個集群即可處理不同類型的任務(wù)。除了引擎自身的能力外，圍繞Spark還建立了包含各種庫的生態(tài)系統(tǒng)，可為機(jī)器學(xué)習(xí)、交互式查詢等任務(wù)提供更好的支持。相比MapReduce，Spark任務(wù)更是“眾所周知”地易于編寫，因此可大幅提高生產(chǎn)力。為流處理系統(tǒng)采用批處理的方法，需要對進(jìn)入系統(tǒng)的數(shù)據(jù)進(jìn)行緩沖。緩沖機(jī)制使得該技術(shù)可以處理非常大量的傳入數(shù)據(jù)，提高整體吞吐率，但等待緩沖區(qū)清空也會導(dǎo)致延遲增高。這意味著SparkStreaming可能不適合處理對延遲有較高要求的工作負(fù)載。由于內(nèi)存通常比磁盤空間更貴，因此相比基于磁盤的系統(tǒng)，Spark成本更高。然而處理速度的提升意味著可以更快速完成任務(wù)，在需要按照小時數(shù)為資源付費(fèi)的環(huán)境中，這一特性通?？梢缘窒黾拥某杀?。Spark內(nèi)存計算這一設(shè)計的另一個后果是，如果部署在共享的集群中可能會遇到資源不足的問題。相比HadoopMapReduce，Spark的資源消耗更大，可能會對需要在同一時間使用集群的其他任務(wù)產(chǎn)生影響。從本質(zhì)來看，Spark更不適合與Hadoop堆棧的其他組件共存一處。總結(jié)Spark是多樣化工作負(fù)載處理任務(wù)的最佳選擇。Spark批處理能力以更高內(nèi)存占用為代價提供了無與倫比的速度優(yōu)勢。對于重視吞吐率而非延遲的工作負(fù)載，則比較適合使用SparkStreaming作為流處理解決方案。ApacheFlinkApacheFlink是一種可以處理批處理任務(wù)的流處理框架。該技術(shù)可將批處理數(shù)據(jù)視作具備有限邊界的數(shù)據(jù)流，借此將批處理任務(wù)作為流處理的子集加以處理。為所有處理任務(wù)采取流處理為先的方法會產(chǎn)生一系列有趣的副作用。這種流處理為先的方法也叫做Kappa架構(gòu)，與之相對的是更加被廣為人知的Lambda架構(gòu)（該架構(gòu)中使用批處理作為主要處理方法，使用流作為補(bǔ)充并提供早期未經(jīng)提煉的結(jié)果）。Kappa架構(gòu)中會對一切進(jìn)行流處理，借此對模型進(jìn)行簡化，而這一切是在最近流處理引擎逐漸成熟后才可行的。流處理模型Flink的流處理模型在處理傳入數(shù)據(jù)時會將每一項視作真正的數(shù)據(jù)流。Flink提供的DataStreamAPI可用于處理無盡的數(shù)據(jù)流。Flink可配合使用的基本組件包括：Stream（流）是指在系統(tǒng)中流轉(zhuǎn)的，永恒不變的無邊界數(shù)據(jù)集Operator（操作方）是指針對數(shù)據(jù)流執(zhí)行操作以產(chǎn)生其他數(shù)據(jù)流的功能Source（源）是指數(shù)據(jù)流進(jìn)入系統(tǒng)的入口點Sink（槽）是指數(shù)據(jù)流離開Flink系統(tǒng)后進(jìn)入到的位置，槽可以是數(shù)據(jù)庫或到其他系統(tǒng)的連接器為了在計算過程中遇到問題后能夠恢復(fù)，流處理任務(wù)會在預(yù)定時間點創(chuàng)建快照。為了實現(xiàn)狀態(tài)存儲，F(xiàn)link可配合多種狀態(tài)后端系統(tǒng)使用，具體取決于所需實現(xiàn)的復(fù)雜度和持久性級別。此外Flink的流處理能力還可以理解“事件時間”這一概念，這是指事件實際發(fā)生的時間，此外該功能還可以處理會話。這意味著可以通過*種有趣的方式確保執(zhí)行順序和分組。批處理模型Flink的批處理模型在很大程度上僅僅是對流處理模型的擴(kuò)展。此時模型不再從持續(xù)流中讀取數(shù)據(jù)，而是從持久存儲中以流的形式讀取有邊界的數(shù)據(jù)集。Flink會對這些處理模型使用完全相同的運(yùn)行時。Flink可以對批處理工作負(fù)載實現(xiàn)一定的優(yōu)化。例如由于批處理操作可通過持久存儲加以支持，F(xiàn)link可以不對批處理工作負(fù)載創(chuàng)建快照。數(shù)據(jù)依然可以恢復(fù)，但常規(guī)處理操作可以執(zhí)行得更快。另一個優(yōu)化是對批處理任務(wù)進(jìn)行分解，這樣即可在需要的時候調(diào)用不同階段和組件。借此Flink可以與集群的其他用戶更好地共存。對任務(wù)提前進(jìn)行分析使得Flink可以查看需要執(zhí)行的所有操作、數(shù)據(jù)集的大小，以及下游需要執(zhí)行的操作步驟，借此實現(xiàn)進(jìn)一步的優(yōu)化。優(yōu)勢和局限Flink目前是處理框架領(lǐng)域一個獨(dú)特的技術(shù)。雖然Spark也可以執(zhí)行批處理和流處理，但Spark的流處理采取的微批架構(gòu)使其無法適用于很多用例。Flink流處理為先的方法可提供低延遲，高吞吐率，近乎逐項處理的能力。Flink的很多組件是自行管理的。雖然這種做法較為罕見，但出于性能方面的原因，該技術(shù)可自行管理內(nèi)存，無需依賴原生的Java垃圾回收機(jī)制。與Spark不同，待處理數(shù)據(jù)的特征發(fā)生變化后Flink無需手工優(yōu)化和調(diào)整，并且該技術(shù)也可以自行處理數(shù)據(jù)分區(qū)和自動緩存等操作。Flink會通過多種方式對工作進(jìn)行分許進(jìn)而優(yōu)化任務(wù)。這種分析在部分程度上類似于SQL查詢規(guī)劃器對關(guān)系型數(shù)據(jù)庫所做的優(yōu)化，可針對特定任務(wù)確定最高效的實現(xiàn)方法。該技術(shù)還支持多階段并行執(zhí)行，同時可將受阻任務(wù)的數(shù)據(jù)集合在一起。