目录
Storm V.S. SparkStreaming V.S. Flink
流式计算简介
流式计算
如何去理解流式计算,最形象的例⼦,就是⼩明的往⽔池中放(
⼊
)
⽔⼜放
(
出
)
⽔的案例。流式计算就像⽔流⼀样,数据连绵不断的产⽣,并被快速处理,所以流式计算拥有如下⼀些特点:
- 数据是⽆界的(unbounded)
- 数据是动态的
- 计算速度是⾮常快的
- 计算不⽌⼀次
- 计算不能终⽌
反过来看看⼀下离线计算有哪些特点:
- 数据是有界的(Bounded)
- 数据静态的
- 计算速度通常较慢
- 计算只执⾏⼀次
- 计算终会终⽌
在⼤数据计算领域中,通常所说的流式计算分为了实时计算和
准实时计算
。所谓事实计算就是来⼀条记录
(
⼀个事件Event)启动⼀次计算;⽽准实时计算则是介于实时计算和离线计算之间的⼀个计算,所以每次处理的是⼀个微⼩的批次。
常⻅的离线和流式计算框架
- 常⻅的离线计算框架
- mapreduce
- spark-core
- flink-dataset
- 常⻅的流式计算框架
- storm(jstorm)
第⼀代的流式处理框架,每⽣成⼀条记录,提交⼀次作业。实时流处理,延迟低。 - spark-streaming
第⼆代的流式处理框架,短时间内⽣成mirco-batch,提交⼀次作业。准实时,延迟略⾼,秒级或者亚秒级延迟。 - flink-datastream(blink)
第三代的流式处理框架,每⽣成⼀条记录,提交⼀次作业。实时,延迟低。
Storm V.S. SparkStreaming V.S. Flink
如何选择⼀款合适的流式处理框架
- 对于Storm来说:
- 建议在需要纯实时,不能忍受1秒以上延迟的场景下使⽤,⽐如实时计算系统,要求纯实时进⾏交易和分 析时。
- 在实时计算的功能中,要求可靠的事务机制和可靠性机制,即数据的处理完全精准,⼀条也不能多,⼀条也不能少,也可以考虑使⽤Storm,但是Spark Streaming也可以保证数据的不丢失。
- 如果我们需要考虑针对⾼峰低峰时间段,动态调整实时计算程序的并⾏度,以最⼤限度利⽤集群资源(通常是在⼩型公司,集群资源紧张的情况),我们也可以考虑⽤Storm
- 对于Spark Streaming来说:
- 不满⾜上述3点要求的话,我们可以考虑使⽤Spark Streaming来进⾏实时计算。
- 考虑使⽤Spark Streaming最主要的⼀个因素,应该是针对整个项⽬进⾏宏观的考虑,即,如果⼀个项⽬除了实时计算之外,还包括了离线批处理、交互式查询、图计算和MLIB机器学习等业务功能,⽽且实时计算中,可能还会牵扯到⾼延迟批处理、交互式查询等功能,那么就应该⾸选Spark⽣态,⽤Spark Core开发离线批处理,⽤Spark SQL开发交互式查询,⽤Spark Streaming开发实时计算,三者可以⽆缝整合,给系统提供⾮常⾼的可扩展性。
- 对于Flink来说:
⽀持⾼吞吐、低延迟、⾼性能的流处理
⽀持带有事件时间的窗⼝(
Window
)操作
⽀持有状态计算的
Exactly-once
语义
⽀持⾼度灵活的窗⼝(
Window
)操作,⽀持基于
time
、
count
、
session
,以及
data-driven
的窗⼝操作
⽀持具有
Backpressure
功能的持续流模型
⽀持基于轻量级分布式快照(
Snapshot
)实现的容错
⼀个运⾏时同时⽀持
Batch on Streaming
处理和
Streaming
处理
Flink
在
JVM
内部实现了⾃⼰的内存管理
⽀持迭代计算
⽀持程序⾃动优化:避免特定情况下
Shuffle
、排序等昂贵操作,中间结果有必要进⾏缓存