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。 

原理 

Spark 1.4特点如下所示： 

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。 
3.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。 
6.SparkR发布，更友好的R语法支持。 

 

 

图1 Spark架构图

 

 

 

图2 Flink架构图

 

 

 

图3 Spark生态系统图

Flink 0.9特点如下所示： 
1.DataSet API 支持Java、Scala和Python。 
2.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。 
7.与Hadoop兼容性很好。 

 

 

图4 Flink生态系统图

分析对比 

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： 
1.CPU：7000个； 
2.内存：单机128GB； 
3.版本：Hadoop 2.3.0，Spark 1.4，Flink 0.9 
4.数据：800MB，8GB，8TB； 
5.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。 
6.迭代：K=10，3组数据 

 

 

图5 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。 

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。 

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。 

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。 

计算迭代 

delta-iterations，这是Flink特有的，在迭代中可以显著减少计算，图6、图7、图8是Hadoop(MR)、Spark和Flink的迭代流程。 

 

 

图6 Hadoop（MR）迭代流程

 

 

 

图7 Spark迭代流程

 

 

 

图8 Flink迭代流程

Flink自动优化迭代程序具体流程如图9所示。 

 

 

图9 Flink自动优化迭代程序具体流程

社区支持 

Spark社区活跃度比Flink高很多。 

总结 

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。 

作者：卢亿雷 
http://www.iteye.com/news/30755