hadoop之Spark强有力竞争者Flink,Spark与Flink：对比与分析

hadoop之Spark强有力竞争者Flink,Spark与Flink：对比与分析

Spark是一种快速、通用的计算集群系统，Spark提出的最主要抽象概念是弹性分布式数据集(RDD)，它是一个元素集合，划分到集群的各个节点上，可以被并行操作。而Flink是可扩展的批处理和流式数据处理的数据处理平台。

Apache Flink，apache顶级项目，是一个高效、分布式、基于Java实现的通用大数据分析引擎，它具有分布式 MapReduce一类平台的高效性、灵活性和扩展性以及并行数据库查询优化方案，它支持批量和基于流的数据分析，且提供了基于Java，Python和Scala的API，跟Apache Spark非常类似，官网链接：https://flink.apache.org

Spark和Flink都支持实时计算，且都可基于内存计算（spark是伪实时的分片技术，只能按每秒分片技术，不能每条数据都实时技术，flink和storm可以）。Spark后面最重要的核心组件仍然是Spark SQL，而在未来几次发布中，除了性能上更加优化外（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。至于Flink，其对于流式计算和迭代计算支持力度将会更加增强。无论是Spark、还是Flink的发展重点，将是数据科学和平台API化，除了传统的统计算法外，还包括学习算法，同时使其生态系统越来越完善。

Spark是一种快速、通用的计算集群系统，Spark提出的最主要抽象概念是弹性分布式数据集(RDD)，它是一个元素集合，划分到集群的各个节点上，可以被并行操作。用户也可以让Spark保留一个RDD在内存中，使其能在并行操作中被有效的重复使用。Flink是可扩展的批处理和流式数据处理的数据处理平台，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。

1. 原理
　　Spark 1.4特点如下所示。

　　Spark为应用提供了REST API来获取各种信息，包括jobs、stages、tasks、storage info等。

　　Spark Streaming增加了UI，可以方便用户查看各种状态，另外与Kafka的融合也更加深度，加强了对Kinesis的支持。

　　Spark SQL（DataFrame）添加ORCFile类型支持，另外还支持所有的Hive metastore。

　　Spark ML/MLlib的ML pipelines愈加成熟，提供了更多的算法和工具。

　　Tungsten项目的持续优化，特别是内存管理、代码生成、垃圾回收等方面都有很多改进。

　　SparkR发布，更友好的R语法支持。

 Spark架构图

 

Flink架构图

 

Spark生态系统图

　　Flink 0.9特点如下所示。

　　DataSet API 支持Java、Scala和Python。

　　DataStream API支持Java and Scala。

　　Table API支持类SQL。

　　有机器学习和图处理（Gelly）的各种库。

　　有自动优化迭代的功能，如有增量迭代。

　　支持高效序列化和反序列化，非常便利。

　　与Hadoop兼容性很好。

 Flink生态系统图

2. 分析对比

2.1 性能对比
　　首先它们都可以基于内存计算框架进行实时计算，所以都拥有非常好的计算性能。经过测试，Flink计算性能上略好。

　　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

迭代次数（纵坐标是秒，横坐标是次数）

　　总结：Spark和Flink全部都运行在Hadoop YARN上，性能为Flink > Spark > Hadoop(MR)，迭代次数越多越明显，性能上，Flink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。

2.2 流式计算比较

　　它们都支持流式计算，Flink是一行一行处理，而Spark是基于数据片集合（RDD）进行小批量处理，所以Spark在流式处理方面，不可避免增加一些延时。Flink的流式计算跟Storm性能差不多，支持毫秒级计算，而Spark则只能支持秒级计算。

2.3 与Hadoop兼容

　　计算的资源调度都支持YARN的方式

　　数据存取都支持HDFS、HBase等数据源。

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

2.4 SQL支持

　　都支持，Spark对SQL的支持比Flink支持的范围要大一些，另外Spark支持对SQL的优化，而Flink支持主要是对API级的优化。

2.5 计算迭代

　　delta-iterations，这是Flink特有的，在迭代中可以显著减少计算，Hadoop(MR)、Spark和Flink的迭代流程：

Hadoop（MR）迭代流程

 

Spark迭代流程

 

Flink迭代流程

　　Flink自动优化迭代程序具体流程如图所示。

Flink自动优化迭代程序具体流程

2.6 社区支持

　　Spark社区活跃度比Flink高很多。