一提到大數(shù)據(jù)，多半繞不開Spark 和 Flink。Spark用一個(gè)統(tǒng)一的引擎支持批處理、流處理、交互式查詢、機(jī)器學(xué)習(xí)等常見的數(shù)據(jù)處理場景，適應(yīng)性極廣，但數(shù)據(jù)流計(jì)算上表現(xiàn)稍弱，而Flink的出現(xiàn)很好地彌補(bǔ)了這一不足。本文對 Spark 和 Flink 的技術(shù)與場景進(jìn)行了全面分析與對比，且看下一代大數(shù)據(jù)計(jì)算引擎之爭，誰主沉??？

下一代大數(shù)據(jù)計(jì)算引擎

自從數(shù)據(jù)處理需求超過了傳統(tǒng)數(shù)據(jù)庫能有效處理的數(shù)據(jù)量之后，Hadoop 等各種基于 MapReduce 的海量數(shù)據(jù)處理系統(tǒng)應(yīng)運(yùn)而生。從 2004 年 Google 發(fā)表 MapReduce 論文開始，經(jīng)過近 10 年的發(fā)展，基于 Hadoop 開源生態(tài)或者其它相應(yīng)系統(tǒng)的海量數(shù)據(jù)處理已經(jīng)成為業(yè)界的基本需求。

但是，很多機(jī)構(gòu)在開發(fā)自己的數(shù)據(jù)處理系統(tǒng)時(shí)都會發(fā)現(xiàn)需要面臨一系列的問題。從數(shù)據(jù)中獲取價(jià)值需要的投入遠(yuǎn)遠(yuǎn)超過預(yù)期。常見的問題包括：

非常陡峭的學(xué)習(xí)曲線。剛接觸這個(gè)領(lǐng)域的人經(jīng)常會被需要學(xué)習(xí)的技術(shù)的數(shù)量砸暈。不像經(jīng)過幾十年發(fā)展的數(shù)據(jù)庫一個(gè)系統(tǒng)可以解決大部分?jǐn)?shù)據(jù)處理需求，Hadoop 等大數(shù)據(jù)生態(tài)里的一個(gè)系統(tǒng)往往在一些數(shù)據(jù)處理場景上比較擅長，另一些場景湊合能用，還有一些場景完全無法滿足需求。結(jié)果就是需要好幾個(gè)系統(tǒng)來處理不同的場景。

（來源：https://mapr.com/developercentral/lambda-architecture/）

上圖是一個(gè)典型的 lambda 架構(gòu)，只是包含了批處理和流處理兩種場景，就已經(jīng)牽涉到至少四五種技術(shù)了，還不算每種技術(shù)的可替代選擇。再加上實(shí)時(shí)查詢、交互式分析、機(jī)器學(xué)習(xí)等場景，每個(gè)場景都有幾種技術(shù)可以選擇，每個(gè)技術(shù)涵蓋的領(lǐng)域還有不同方式的重疊。結(jié)果就是一個(gè)業(yè)務(wù)經(jīng)常需要使用四五種以上的技術(shù)才能支持好一個(gè)完整的數(shù)據(jù)處理流程。加上調(diào)研選型，需要了解的數(shù)目還要多得多。

下圖是大數(shù)據(jù)領(lǐng)域的全景。暈了沒？

2018 大數(shù)據(jù)和 AI 全景

開發(fā)和運(yùn)行效率低下。因?yàn)闋可娴蕉喾N系統(tǒng)，每種系統(tǒng)有自己的開發(fā)語言和工具，開發(fā)效率可想而知。而因?yàn)椴捎昧硕嗵紫到y(tǒng)，數(shù)據(jù)需要在各個(gè)系統(tǒng)之間傳輸，也造成了額外的開發(fā)和運(yùn)行代價(jià)，數(shù)據(jù)的一致也難以保證。在很多機(jī)構(gòu)，實(shí)際上一半以上的開發(fā)精力花在了數(shù)據(jù)在各個(gè)系統(tǒng)之間的傳輸上。

復(fù)雜的運(yùn)維。多個(gè)系統(tǒng)，每個(gè)需要自己的運(yùn)維，帶來更高的運(yùn)維代價(jià)的同時(shí)也提高了系統(tǒng)出問題的可能。

數(shù)據(jù)質(zhì)量難以保證。數(shù)據(jù)出了問題難以跟蹤解決。

最后，還有人的問題。在很多機(jī)構(gòu)，由于系統(tǒng)的復(fù)雜性，各個(gè)子系統(tǒng)的支持和使用落實(shí)在不同部門負(fù)責(zé)。

了解了這些問題以后，對 Spark 從 2014 年左右開始迅速流行就比較容易理解了。Spark 在當(dāng)時(shí)除了在某些場景比 Hadoop MapReduce 帶來幾十到上百倍的性能提升外，還提出了用一個(gè)統(tǒng)一的引擎支持批處理、流處理、交互式查詢、機(jī)器學(xué)習(xí)等常見的數(shù)據(jù)處理場景。看過在一個(gè) Notebook 里完成上述所有場景的 Spark 演示，對比之前的數(shù)據(jù)流程開發(fā)，對很多開發(fā)者來說不難做出選擇。經(jīng)過幾年的發(fā)展，Spark 已經(jīng)被視為可以完全取代 Hadoop 中的 MapReduce 引擎。

正在 Spark 如日中天高速發(fā)展的時(shí)候，2016 年左右 Flink 開始進(jìn)入大眾的視野并逐漸廣為人知。為什么呢？原來在人們開始使用 Spark 之后，發(fā)現(xiàn) Spark 雖然支持各種常見場景，但并不是每一種都同樣好用。數(shù)據(jù)流的實(shí)時(shí)處理就是其中相對較弱的一環(huán)。Flink 憑借更優(yōu)的流處理引擎，同時(shí)也支持各種處理場景，成為 Spark 的有力挑戰(zhàn)者。

Spark 和 Flink 是怎么做到這些的，它們之間又有那些異同，下面我們來具體看一下。

Spark和Flink的引擎技術(shù)

這一部分主要著眼于 Spark 和 Flink 引擎的架構(gòu)方面，更看重架構(gòu)帶來的潛力和限制?，F(xiàn)階段的實(shí)現(xiàn)成熟度和局限會在后續(xù)生態(tài)部分探討。

數(shù)據(jù)模型和處理模型

要理解 Spark 和 Flink 的引擎特點(diǎn)，首先從數(shù)據(jù)模型開始。

Spark 的數(shù)據(jù)模型是彈性分布式數(shù)據(jù)集 RDD（Resilient Distributed Datasets）。 比起 MapReduce 的文件模型，RDD 是一個(gè)更抽象的模型，RDD 靠血緣（lineage） 等方式來保證可恢復(fù)性。很多時(shí)候 RDD 可以實(shí)現(xiàn)為分布式共享內(nèi)存或者完全虛擬化（即有的中間結(jié)果 RDD 當(dāng)下游處理完全在本地時(shí)可以直接優(yōu)化省略掉）。這樣可以省掉很多不必要的 I/O，是早期 Spark 性能優(yōu)勢的主要原因。

Spark 用 RDD 上的變換（算子）來描述數(shù)據(jù)處理。每個(gè)算子（如 map，filter，join）生成一個(gè)新的 RDD。所有的算子組成一個(gè)有向無環(huán)圖（DAG）。Spark 比較簡單地把邊分為寬依賴和窄依賴。上下游數(shù)據(jù)不需要 shuffle 的即為窄依賴，可以把上下游的算子放在一個(gè)階段（stage） 里在本地連續(xù)處理，這時(shí)上游的結(jié)果 RDD 可以 省略。下圖展示了相關(guān)的基本概念。更詳細(xì)的介紹在網(wǎng)上比較容易找到，這里就不花太多篇幅了。

Spark DAG

（來源：http://datastrophic.io/core-concepts-architecture-and-internals-of-apache-spark/）

Flink 的基本數(shù)據(jù)模型是數(shù)據(jù)流，及事件（Event）的序列。數(shù)據(jù)流作為數(shù)據(jù)的基本模型可能沒有表或者數(shù)據(jù)塊直觀熟悉，但是可以證明是完全等效的。流可以是無邊界的無限流，即一般意義上的流處理。也可以是有邊界的有限流，這樣就是批處理。

Flink 用數(shù)據(jù)流上的變換（算子）來描述數(shù)據(jù)處理。每個(gè)算子生成一個(gè)新的數(shù)據(jù)流。在算子，DAG，和上下游算子鏈接（chaining） 這些方面，和 Spark 大致等價(jià)。Flink 的節(jié)點(diǎn)（vertex）大致相當(dāng)于 Spark 的階段（stage），劃分也會和上圖的 Spark DAG 基本一樣。

Flink 任務(wù)圖（來源：https://ci.apache.org/projects/flink/flink-docs-release-1.5/concepts/runtime.html）

在 DAG 的執(zhí)行上，Spark 和 Flink 有一個(gè)比較顯著的區(qū)別。在 Flink 的流執(zhí)行模式中，一個(gè)事件在一個(gè)節(jié)點(diǎn)處理完后的輸出就可以發(fā)到下一個(gè)節(jié)點(diǎn)立即處理。這樣執(zhí)行引擎并不會引入額外的延遲。與之相應(yīng)的，所有節(jié)點(diǎn)是需要同時(shí)運(yùn)行的。而 Spark 的 micro batch 和一般的 batch 執(zhí)行一樣，處理完上游的 stage 得到輸出之后才開始下游的 stage。

在 Flink 的流執(zhí)行模式中，為了提高效率也可以把多個(gè)事件放在一起傳輸或者計(jì)算。但這完全是執(zhí)行時(shí)的優(yōu)化，可以在每個(gè)算子獨(dú)立決定，也不用像 RDD 等批處理模型中一樣和數(shù)據(jù)集邊界綁定，可以做更加靈活的優(yōu)化同時(shí)可以兼顧低延遲需求。

Flink 使用異步的 checkpoint 機(jī)制來達(dá)到任務(wù)狀態(tài)的可恢復(fù)性，以保證處理的一致性，所以在處理的主流程上可以做到數(shù)據(jù)源和輸出之間數(shù)據(jù)完全不用落盤，達(dá)到更高的性能和更低的延遲。

數(shù)據(jù)處理場景

除了批處理之外，Spark 還支持實(shí)時(shí)數(shù)據(jù)流處理、交互式查詢和機(jī)器學(xué)習(xí)、圖計(jì)算等。

（來源： https://databricks.com/spark/about）

實(shí)時(shí)數(shù)據(jù)流處理和批處理主要區(qū)別就是對低延時(shí)的要求。Spark 因?yàn)?RDD 是基于內(nèi)存的，可以比較容易切成較小的塊來處理。如果能對這些小塊處理得足夠快，就能達(dá)到低延時(shí)的效果。

交互式查詢場景，如果數(shù)據(jù)能全在內(nèi)存，處理得足夠快的話，就可以支持交互式查詢。

機(jī)器學(xué)習(xí)和圖計(jì)算其實(shí)是和前幾種場景不同的 RDD 算子類型。Spark 提供了庫來支持常用的操作，用戶或者第三方庫也可以自己擴(kuò)展。值得一提的是，Spark 的 RDD 模型和機(jī)器學(xué)習(xí)模型訓(xùn)練的迭代計(jì)算非常契合，從一開始就在有的場景帶來了非常顯著的性能提升。

從這些可以看出來，比起 Hadoop MapReduce， Spark 本質(zhì)上就是基于內(nèi)存的更快的批處理。然后用足夠快的批處理來實(shí)現(xiàn)各種場景。

（來源：https://www.slideshare.net/ParisCarbone/state-management-in-apache-flink-consistent-stateful-distributed-stream-processing）

前面說過，在 Flink 中，如果輸入數(shù)據(jù)流是有邊界的，就自然達(dá)到了批處理的效果。這樣流和批的區(qū)別完全是邏輯上的，和處理實(shí)現(xiàn)獨(dú)立，用戶需要實(shí)現(xiàn)的邏輯也完全一樣，應(yīng)該是更干凈的一種抽象。后續(xù)會在深入對比流計(jì)算方面的時(shí)候做更深入的討論。

Flink 也提供了庫來支持機(jī)器學(xué)習(xí)、圖計(jì)算等場景。從這方面來說和 Spark 沒有太大區(qū)別。

一個(gè)有意思的事情是用 Flink 的底層 API 可以支持只用 Flink 集群實(shí)現(xiàn)一些數(shù)據(jù)驅(qū)動的分布式服務(wù)。有一些公司用 Flink 集群實(shí)現(xiàn)了社交網(wǎng)絡(luò)，網(wǎng)絡(luò)爬蟲等服務(wù)。這個(gè)也體現(xiàn)了 Flink 作為計(jì)算引擎的通用性，并得益于 Flink 內(nèi)置的靈活的狀態(tài)支持。

總的來說，Spark 和 Flink 都瞄準(zhǔn)了在一個(gè)執(zhí)行引擎上同時(shí)支持大多數(shù)數(shù)據(jù)處理場景，也應(yīng)該都能做到這一點(diǎn)。主要區(qū)別就在于因?yàn)榧軜?gòu)本身的局限在一些場景會受到限制。比較突出的地方就是 Spark Streaming 的 micro batch 執(zhí)行模式。Spark 社區(qū)應(yīng)該也意識到了這一點(diǎn)，最近在持續(xù)執(zhí)行模式（continuous processing）方面開始發(fā)力。 具體情況會在后面介紹。

有狀態(tài)處理（Stateful Processing）

Flink 還有一個(gè)非常獨(dú)特的地方是在引擎中引入了托管狀態(tài)（managed state）。要理解托管狀態(tài)，首先要從有狀態(tài)處理說起。如果處理一個(gè)事件（或一條數(shù)據(jù)）的結(jié)果只跟事件本身的內(nèi)容有關(guān)，稱為無狀態(tài)處理；反之結(jié)果還和之前處理過的事件有關(guān)，稱為有狀態(tài)處理。稍微復(fù)雜一點(diǎn)的數(shù)據(jù)處理，比如說基本的聚合，都是有狀態(tài)處理。Flink 很早就認(rèn)為沒有好的狀態(tài)支持是做不好留處理的，因此引入了 managed state 并提供了 API 接口。

Flink 中的狀態(tài)支持

（來源：https://www.slideshare.net/ParisCarbone/state-management-in-apache-flink-consistent-stateful-distributed-stream-processing）

一般在流處理的時(shí)候會比較關(guān)注有狀態(tài)處理，但是仔細(xì)看的話批處理也是會受到影響的。比如常見的窗口聚合，如果批處理的數(shù)據(jù)時(shí)間段比窗口大，是可以不考慮狀態(tài)的，用戶邏輯經(jīng)常會忽略這個(gè)問題。但是當(dāng)批處理時(shí)間段變得比窗口小的時(shí)候，一個(gè)批的結(jié)果實(shí)際上依賴于以前處理過的批。這時(shí)，因?yàn)榕幚硪嬉话銢]有這個(gè)需求不會有很好的內(nèi)置支持，維護(hù)狀態(tài)就成為了用戶需要解決的事情。比如窗口聚合的情況用戶就要加一個(gè)中間結(jié)果表記住還沒有完成的窗口的結(jié)果。這樣當(dāng)用戶把批處理時(shí)間段變短的時(shí)候就會發(fā)現(xiàn)邏輯變復(fù)雜了。這是早期 Spark Streaming 用戶 經(jīng)常碰到的問題，直到 Structured Streaming 出來才得到緩解。

而像 Flink 這樣以流處理為基本模型的引擎，因?yàn)橐婚_始就避不開這個(gè)問題，所以引入了 managed state 來提供了一個(gè)通用的解決方案。比起用戶實(shí)現(xiàn)的特定解決方案，不但用戶開發(fā)更簡單，而且能提供更好的性能。最重要的是能更好地保證處理結(jié)果的一致性。

簡單來說，就是有一些內(nèi)秉的數(shù)據(jù)處理邏輯，在批處理中容易被忽略或簡化處理掉也能得到可用的結(jié)果，而在流處理中問題被暴露出來解決掉了。所以流計(jì)算引擎用有限流來處理批在邏輯上比較嚴(yán)謹(jǐn)，能自然達(dá)到正確性。主要做一些不同的實(shí)現(xiàn)來優(yōu)化性能就可以了。而用更小的批來模擬流需要處理一些以前沒有的問題。當(dāng)計(jì)算引擎還沒有通用解決方案的時(shí)候就需要用戶自己解決了。類似的問題還有維表的變化（比如用戶信息的更新），批處理數(shù)據(jù)的邊界和遲到數(shù)據(jù)等等。

編程模型

Spark 1.6 時(shí)的 API 狀態(tài)

Spark 的初衷之一就是用統(tǒng)一的編程模型來解決用戶的各種需求，在這方面一直很下功夫。最初基于 RDD 的 API 就可以做各種類型的數(shù)據(jù)處理。后來為了簡化用戶開發(fā)，逐漸推出了更高層的 DataFrame（在 RDD 中加了列變成結(jié)構(gòu)化數(shù)據(jù)）和 Datasets（在 DataFrame 的列上加了類型），并在 Spark 2.0 中做了整合（DataFrame = DataSet[Row]）。Spark SQL 的支持也比較早就引入了。在加上各個(gè)處理類型 API 的不斷改進(jìn)，比如 Structured Streaming 以及和機(jī)器學(xué)習(xí)深度學(xué)習(xí)的交互，到了今天 Spark 的 API 可以說是非常好用的，也是 Spark 最強(qiáng)的方面之一。

Spark 2.0 API

（來源：https://databricks.com/blog/2016/07/14/a-tale-of-three-apache-spark-apis-rdds-dataframes-and-datasets.html）

Flink 的 API 也有類似的目標(biāo)和發(fā)展路線。Flink 和 Spark 的核心 API 可以說是可以基本對應(yīng)的。今天 Spark API 總體上更完備一下，比如說最近一兩年大力投入的和機(jī)器學(xué)習(xí)深度學(xué)習(xí)的整合方面。Flink 在流處理相關(guān)的方面還是領(lǐng)先一些，比如對 watermark、window、trigger 的各種支持。

Flink API

（來源：https://ci.apache.org/projects/flink/flink-docs-release-1.5/concepts/programming-model.html）

小結(jié)

Spark 和 Flink 都是通用的能夠支持超大規(guī)模數(shù)據(jù)處理，支持各種處理類型的計(jì)算引擎。兩個(gè)系統(tǒng)都有很多值得探討的方面在這里沒有觸及，比如 SQL 的優(yōu)化，和機(jī)器學(xué)習(xí)的集成等等。這里主要是試圖從最基本的架構(gòu)和設(shè)計(jì)方面來比較一下兩個(gè)系統(tǒng)。因?yàn)樯蠈拥墓δ茉谝欢ǔ潭壬鲜强梢曰ハ嘟梃b的，有足夠的投入應(yīng)該都能做好。而基本的設(shè)計(jì)改變起來會傷筋動骨，更困難一些。

Spark 和 Flink 的不同執(zhí)行模型帶來的最大的區(qū)別應(yīng)該還是在對流計(jì)算的支持上。最開始的 Spark Streaming 對流計(jì)算想得過于簡單，對復(fù)雜一點(diǎn)的計(jì)算用起來會有不少問題。從 Spark 2.0 開始引入的 Structured Streaming 重新整理了流計(jì)算的語義，支持按事件時(shí)間處理和端到端的一致性。雖然在功能上還有不少限制，比之前已經(jīng)有了長足的進(jìn)步。不過 micro batch 執(zhí)行方式帶來的問題還是存在，特別在規(guī)模上去以后性能問題會比較突出。最近 Spark 受一些應(yīng)用場景的推動，也開始開發(fā)持續(xù)執(zhí)行模式。2.3 里的實(shí)驗(yàn)性發(fā)布還只支持簡單的 map 類操作。

Spark 持續(xù)執(zhí)行模式狀態(tài)