对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。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。 中培教育《大数据平台搭建与高性能计算实战》专家蒋老师在这里对二者进行了比较分析。- N, i; @, n/ X; X
　　张老师指介绍，4 R$ m+ s+ g* |9 u- {5 KSpark 1.4特点如下所示：
　　5 D6 y) h! b6 Q6 H/ }1.Spark为应用提供了REST API来获取各种信息，包括jobs、stages、tasks、storage info等。
　　2.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。
　　% e4 k+ A, w1 K9 A3.Spark SQL（DataFrame）添加ORCFile类型支持，另外还支持所有的Hive metastore。
　　4.Spark ML/MLlib的ML pipelines愈加成熟，提供了更多的算法和工具。 5.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。
　　/ E6 R4 o7 E% X" J. H$ P  [$ N6.SparkR发布，更友好的R语法支持。

蒋老师接着介绍了 Flink 0.9有如下特点：

; n& P' u* z8 I; L5 M! [" I1.DataSet API 支持Java、Scala和Python。
      ! s4 l6 {4 ^8 e0 D2.DataStream API支持Java and Scala。
      3.Table API支持类SQL。
      4.有机器学习和图处理（Gelly）的各种库。
      5.有自动优化迭代的功能，如有增量迭代。
      6.支持高效序列化和反序列化，非常便利。
      - F/ _0 q. `2 n3 h+ x* T/ p7.与Hadoop兼容性很好。

性能对比
　　蒋老师认为，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。

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。

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。

Hadoop兼容

2 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。

 DSQL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。

计算迭代

这是Flink特有的，在迭代中可以显著减少计算。

蒋老师最后总结道，Spark和Flink都支持实时计算，且都可基于内存计算。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。