目录

流式计算简介

流式计算

常⻅的离线和流式计算框架

Storm V.S. SparkStreaming V.S. Flink

如何选择⼀款合适的流式处理框架

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