分布式流處理需求日益增加，包括支付交易、社交網(wǎng)絡(luò)、物聯(lián)網(wǎng)（IOT）、系統(tǒng)監(jiān)控等。業(yè)界對(duì)流處理已經(jīng)有幾種適用的框架來解決，下面我們來比較各流處理框架的相同點(diǎn)以及區(qū)別。

分布式流處理是對(duì)無邊界數(shù)據(jù)集進(jìn)行連續(xù)不斷的處理、聚合和分析。它跟MapReduce一樣是一種通用計(jì)算，但我們期望延遲在毫秒或者秒級(jí)別。這類系統(tǒng)一般采用有向無環(huán)圖（DAG）。

DAG是任務(wù)鏈的圖形化表示，我們用它來描述流處理作業(yè)的拓?fù)洹Ｈ缦聢D，數(shù)據(jù)從sources流經(jīng)處理任務(wù)鏈到sinks。單機(jī)可以運(yùn)行DAG，但本篇文章主要聚焦在多臺(tái)機(jī)器上運(yùn)行DAG的情況。

關(guān)注點(diǎn)
當(dāng)選擇不同的流處理系統(tǒng)時(shí)，有以下幾點(diǎn)需要注意的：

運(yùn)行時(shí)和編程模型：平臺(tái)框架提供的編程模型決定了許多特色功能，編程模型要足夠處理各種應(yīng)用場(chǎng)景。這是一個(gè)相當(dāng)重要的點(diǎn)，后續(xù)會(huì)繼續(xù)。

函數(shù)式原語：流處理平臺(tái)應(yīng)該能提供豐富的功能函數(shù)，比如，map或者filter這類易擴(kuò)展、處理單條信息的函數(shù)；處理多條信息的函數(shù)aggregation；跨數(shù)據(jù)流、不易擴(kuò)展的操作join。

狀態(tài)管理：大部分應(yīng)用都需要保持狀態(tài)處理的邏輯。流處理平臺(tái)應(yīng)該提供存儲(chǔ)、訪問和更新狀態(tài)信息。

消息傳輸保障：消息傳輸保障一般有三種：at most once，at least once和exactly once。At most once的消息傳輸機(jī)制是每條消息傳輸零次或者一次，即消息可能會(huì)丟失；A t least once意味著每條消息會(huì)進(jìn)行多次傳輸嘗試，至少一次成功，即消息傳輸可能重復(fù)但不會(huì)丟失；Exactly once的消息傳輸機(jī)制是每條消息有且只有一次，即消息傳輸既不會(huì)丟失也不會(huì)重復(fù)。

容錯(cuò)：流處理框架中的失敗會(huì)發(fā)生在各個(gè)層次，比如，網(wǎng)絡(luò)部分，磁盤崩潰或者節(jié)點(diǎn)宕機(jī)等。流處理框架應(yīng)該具備從所有這種失敗中恢復(fù)，并從上一個(gè)成功的狀態(tài)（無臟數(shù)據(jù)）重新消費(fèi)。

性能：延遲時(shí)間（Latency），吞吐量（Throughput）和擴(kuò)展性（Scalability）是流處理應(yīng)用中極其重要的指標(biāo)。
平臺(tái)的成熟度和接受度：成熟的流處理框架可以提供潛在的支持，可用的庫，甚至開發(fā)問答幫助。選擇正確的平臺(tái)會(huì)在這方面提供很大的幫助。

運(yùn)行時(shí)和編程模型
運(yùn)行時(shí)和編程模型是一個(gè)系統(tǒng)最重要的特質(zhì)，因?yàn)樗鼈兌x了表達(dá)方式、可能的操作和將來的局限性。因此，運(yùn)行時(shí)和編程模型決定了系統(tǒng)的能力和適用場(chǎng)景。

實(shí)現(xiàn)流處理系統(tǒng)有兩種完全不同的方式：一種是稱作原生流處理，意味著所有輸入的記錄一旦到達(dá)即會(huì)一個(gè)接著一個(gè)進(jìn)行處理。

第二種稱為微批處理。把輸入的數(shù)據(jù)按照某種預(yù)先定義的時(shí)間間隔（典型的是幾秒鐘）分成短小的批量數(shù)據(jù)，流經(jīng)流處理系統(tǒng)。

兩種方法都有其先天的優(yōu)勢(shì)和不足。

首先以原生流處理開始，原生流處理的優(yōu)勢(shì)在于它的表達(dá)方式。數(shù)據(jù)一旦到達(dá)立即處理，這些系統(tǒng)的延遲性遠(yuǎn)比其它微批處理要好。除了延遲性外，原生流處理的狀態(tài)操作也容易實(shí)現(xiàn)，后續(xù)將詳細(xì)講解。

一般原生流處理系統(tǒng)為了達(dá)到低延遲和容錯(cuò)性會(huì)花費(fèi)比較大的成本，因?yàn)樗枰紤]每條記錄。原生流處理的負(fù)載均衡也是個(gè)問題。比如，我們處理的數(shù)據(jù)按key分區(qū)，如果分區(qū)的某個(gè)key是資源密集型，那這個(gè)分區(qū)很容易成為作業(yè)的瓶頸。

接下來看下微批處理。將流式計(jì)算分解成一系列短小的批處理作業(yè)，也不可避免的減弱系統(tǒng)的表達(dá)力。像狀態(tài)管理或者join等操作的實(shí)現(xiàn)會(huì)變的困難，因?yàn)槲⑴幚硐到y(tǒng)必須操作整個(gè)批量數(shù)據(jù)。并且，batch interval會(huì)連接兩個(gè)不易連接的事情：基礎(chǔ)屬性和業(yè)務(wù)邏輯。

相反地，微批處理系統(tǒng)的容錯(cuò)性和負(fù)載均衡實(shí)現(xiàn)起來非常簡(jiǎn)單，因?yàn)槲⑴幚硐到y(tǒng)僅發(fā)送每批數(shù)據(jù)到一個(gè)worker節(jié)點(diǎn)上，如果一些數(shù)據(jù)出錯(cuò)那就使用其它副本。微批處理系統(tǒng)很容易建立在原生流處理系統(tǒng)之上。

編程模型一般分為組合式和聲明式。組合式編程提供基本的構(gòu)建模塊，它們必須緊密結(jié)合來創(chuàng)建拓?fù)洹Ｐ碌慕M件經(jīng)常以接口的方式完成。相對(duì)應(yīng)地，聲明式API操作是定義的高階函數(shù)。它允許我們用抽象類型和方法來寫函數(shù)代碼，并且系統(tǒng)創(chuàng)建拓?fù)浜蛢?yōu)化拓?fù)洹Ｂ暶魇紸PI經(jīng)常也提供更多高級(jí)的操作（比如，窗口函數(shù)或者狀態(tài)管理）。后面很快會(huì)給出樣例代碼。

主流流處理系統(tǒng)
有一系列各種實(shí)現(xiàn)的流處理框架，不能一一列舉，這里僅選出主流的流處理解決方案，并且支持Scala API。因此，我們將詳細(xì)介紹Apache Storm，Trident，Spark Streaming，Samza和Apache Flink。前面選擇講述的雖然都是流處理系統(tǒng)，但它們實(shí)現(xiàn)的方法包含了各種不同的挑戰(zhàn)。這里暫時(shí)不講商業(yè)的系統(tǒng)，比如Google MillWheel或者Amazon Kinesis，也不會(huì)涉及很少使用的Intel GearPump或者Apache Apex。

Apache Storm最開始是由Nathan Marz和他的團(tuán)隊(duì)于2010年在數(shù)據(jù)分析公司BackType開發(fā)的，后來BackType公司被Twitter收購，接著Twitter開源Storm并在2014年成為Apache頂級(jí)項(xiàng)目。毋庸置疑，Storm成為大規(guī)模流數(shù)據(jù)處理的先鋒，并逐漸成為工業(yè)標(biāo)準(zhǔn)。Storm是原生的流處理系統(tǒng)，提供low-level的API。Storm使用Thrift來定義topology和支持多語言協(xié)議，使得我們可以使用大部分編程語言開發(fā)，Scala自然包括在內(nèi)。

Trident是對(duì)Storm的一個(gè)更高層次的抽象，Trident最大的特點(diǎn)以batch的形式進(jìn)行流處理。Trident簡(jiǎn)化topology構(gòu)建過程，增加了窗口操作、聚合操作或者狀態(tài)管理等高級(jí)操作，這些在Storm中并不支持。相對(duì)應(yīng)于Storm的At most once流傳輸機(jī)制，Trident提供了Exactly once傳輸機(jī)制。Trident支持Java，Clojure和Scala。

當(dāng)前Spark是非常受歡迎的批處理框架，包含Spark SQL，MLlib和Spark Streaming。Spark的運(yùn)行時(shí)是建立在批處理之上，因此后續(xù)加入的Spark Streaming也依賴于批處理，實(shí)現(xiàn)了微批處理。接收器把輸入數(shù)據(jù)流分成短小批處理，并以類似Spark作業(yè)的方式處理微批處理。Spark Streaming提供高級(jí)聲明式API（支持Scala，Java和Python）。

Samza最開始是專為L(zhǎng)inkedIn公司開發(fā)的流處理解決方案，并和LinkedIn的Kafka一起貢獻(xiàn)給社區(qū)，現(xiàn)已成為基礎(chǔ)設(shè)施的關(guān)鍵部分。Samza的構(gòu)建嚴(yán)重依賴于基于log的Kafka，兩者緊密耦合。Samza提供組合式API，當(dāng)然也支持Scala。

最后來介紹Apache Flink。Flink是個(gè)相當(dāng)早的項(xiàng)目，開始于2008年，但只在最近才得到注意。Flink是原生的流處理系統(tǒng)，提供high level的API。Flink也提供API來像Spark一樣進(jìn)行批處理，但兩者處理的基礎(chǔ)是完全不同的。Flink把批處理當(dāng)作流處理中的一種特殊情況。在Flink中，所有的數(shù)據(jù)都看作流，是一種很好的抽象，因?yàn)檫@更接近于現(xiàn)實(shí)世界。

快速的介紹流處理系統(tǒng)之后，讓我們以下面的表格來更好清晰的展示它們之間的不同：

Word Count
Wordcount之于流處理框架學(xué)習(xí)，就好比hello world之于編程語言學(xué)習(xí)。它能很好的展示各流處理框架的不同之處，讓我們從Storm開始看看如何實(shí)現(xiàn)Wordcount：

TopologyBuilder builder = new TopologyBuilder();
builder.setSpout("spout", new RandomSentenceSpout(), 5);
builder.setBolt("split", new Split(), 8).shuffleGrouping("spout");
builder.setBolt("count", new WordCount(), 12).fieldsGrouping("split", new Fields("word"));
...
Map counts = new HashMap();

public void execute(Tuple tuple, BasicOutputCollector collector) {
String word = tuple.getString(0);
Integer count = counts.containsKey(word) ? counts.get(word) + 1 : 1;
counts.put(word, count);
collector.emit(new Values(word, count));
}
首先，定義topology。第二行代碼定義一個(gè)spout，作為數(shù)據(jù)源。然后是一個(gè)處理組件bolt，分割文本為單詞。接著，定義另一個(gè)bolt來計(jì)算單詞數(shù)（第四行代碼）。也可以看到魔數(shù)5，8和12，這些是并行度，定義集群每個(gè)組件執(zhí)行的獨(dú)立線程數(shù)。第八行到十五行是實(shí)際的WordCount bolt實(shí)現(xiàn)。因?yàn)镾torm不支持內(nèi)建的狀態(tài)管理，所有這里定義了一個(gè)局部狀態(tài)。

按之前描述，Trident是對(duì)Storm的一個(gè)更高層次的抽象，Trident最大的特點(diǎn)以batch的形式進(jìn)行流處理。除了其它優(yōu)勢(shì)，Trident提供了狀態(tài)管理，這對(duì)wordcount實(shí)現(xiàn)非常有用。

public static StormTopology buildTopology(LocalDRPC drpc) {
FixedBatchSpout spout = ...
TridentTopology topology = new TridentTopology();
TridentState wordCounts = topology.newStream("spout1", spout)
.each(new Fields("sentence"),new Split(), new Fields("word"))
.groupBy(new Fields("word"))
.persistentAggregate(new MemoryMapState.Factory(),
new Count(), new Fields("count"));
...
}
如你所見，上面代碼使用higher level操作，比如each（第七行代碼）和groupby（第八行代碼）。并且使用Trident管理狀態(tài)來存儲(chǔ)單詞數(shù)（第九行代碼）。

下面是時(shí)候祭出提供聲明式API的Apache Spark。記住，相對(duì)于前面的例子，這些代碼相當(dāng)簡(jiǎn)單，幾乎沒有冗余代碼。下面是簡(jiǎn)單的流式計(jì)算單詞數(shù)：

val conf = new SparkConf().setAppName("wordcount")
val ssc = new StreamingContext(conf, Seconds(1))
val text = ...
val counts = text.flatMap(line => line.split(" "))
.map(word => (word, 1))
.reduceByKey(_ + _)
counts.print()
ssc.start()
ssc.awaitTermination()
每個(gè)Spark Streaming的作業(yè)都要有StreamingContext，它是流式函數(shù)的入口。StreamingContext加載第一行代碼定義的配置conf，但更重要地，第二行代碼定義batch interval（這里設(shè)置為1秒）。第六行到八行代碼是整個(gè)單詞數(shù)計(jì)算。這些是標(biāo)準(zhǔn)的函數(shù)式代碼，Spark定義topology并且分布式執(zhí)行。第十二行代碼是每個(gè)Spark Streaming作業(yè)最后的部分：?jiǎn)?dòng)計(jì)算。記住，Spark Streaming作業(yè)一旦啟動(dòng)即不可修改。
接下來看下Apache Samza，另外一個(gè)組合式API例子：

class WordCountTask extends StreamTask {
override def process(envelope: IncomingMessageEnvelope, collector: MessageCollector,
coordinator: TaskCoordinator) {
val text = envelope.getMessage.asInstanceOf[String]
val counts = text.split(" ").foldLeft(Map.empty[String, Int]) {
(count, word) => count + (word -> (count.getOrElse(word, 0) + 1))
}
collector.send(new OutgoingMessageEnvelope(new SystemStream("kafka", "wordcount"), counts))
}
Samza的屬性配置文件定義topology，為了簡(jiǎn)明這里并沒把配置文件放上來。定義任務(wù)的輸入和輸出，并通過Kafka topic通信。在單詞數(shù)計(jì)算整個(gè)topology是WordCountTask。在Samza中，實(shí)現(xiàn)特殊接口定義組件StreamTask，在第三行代碼重寫方法process。它的參數(shù)列表包含所有連接其它系統(tǒng)的需要。第八行到十行簡(jiǎn)單的Scala代碼是計(jì)算本身。

Flink的API跟Spark Streaming是驚人的相似，但注意到代碼里并未設(shè)置batch interval。

val env = ExecutionEnvironment.getExecutionEnvironment
val text = env.fromElements(...)
val counts = text.flatMap ( .split(" ") )
.map ( (, 1) )
.groupBy(0)
.sum(1)
counts.print()
env.execute("wordcount")
上面的代碼是相當(dāng)?shù)闹卑祝瑑H僅只是幾個(gè)函數(shù)式調(diào)用，F(xiàn)link支持分布式計(jì)算。

容錯(cuò)性
流處理系統(tǒng)的容錯(cuò)性與生俱來的比批處理系統(tǒng)難實(shí)現(xiàn)。當(dāng)批處理系統(tǒng)中出現(xiàn)錯(cuò)誤時(shí)，我們只需要把失敗的部分簡(jiǎn)單重啟即可；但對(duì)于流處理系統(tǒng)，出現(xiàn)錯(cuò)誤就很難恢復(fù)。因?yàn)榫€上許多作業(yè)都是7 x 24小時(shí)運(yùn)行，不斷有輸入的數(shù)據(jù)。流處理系統(tǒng)面臨的另外一個(gè)挑戰(zhàn)是狀態(tài)一致性，因?yàn)橹貑⒑髸?huì)出現(xiàn)重復(fù)數(shù)據(jù)，并且不是所有的狀態(tài)操作是冪等的。容錯(cuò)性這么難實(shí)現(xiàn)，那下面我們看看各大主流流處理框架是如何處理這一問題。

Apache Storm：Storm使用上游數(shù)據(jù)備份和消息確認(rèn)的機(jī)制來保障消息在失敗之后會(huì)重新處理。消息確認(rèn)原理：每個(gè)操作都會(huì)把前一次的操作處理消息的確認(rèn)信息返回。Topology的數(shù)據(jù)源備份它生成的所有數(shù)據(jù)記錄。當(dāng)所有數(shù)據(jù)記錄的處理確認(rèn)信息收到，備份即會(huì)被安全拆除。失敗后，如果不是所有的消息處理確認(rèn)信息收到，那數(shù)據(jù)記錄會(huì)被數(shù)據(jù)源數(shù)據(jù)替換。這保障了沒有數(shù)據(jù)丟失，但數(shù)據(jù)結(jié)果會(huì)有重復(fù)，這就是at-least once傳輸機(jī)制。

Storm采用取巧的辦法完成了容錯(cuò)性，對(duì)每個(gè)源數(shù)據(jù)記錄僅僅要求幾個(gè)字節(jié)存儲(chǔ)空間來跟蹤確認(rèn)消息。純數(shù)據(jù)記錄消息確認(rèn)架構(gòu)，盡管性能不錯(cuò)，但不能保證exactly once消息傳輸機(jī)制，所有應(yīng)用開發(fā)者需要處理重復(fù)數(shù)據(jù)。Storm存在低吞吐量和流控問題，因?yàn)橄⒋_認(rèn)機(jī)制在反壓下經(jīng)常誤認(rèn)為失敗。

Spark Streaming：Spark Streaming實(shí)現(xiàn)微批處理，容錯(cuò)機(jī)制的實(shí)現(xiàn)跟Storm不一樣的方法。微批處理的想法相當(dāng)簡(jiǎn)單。Spark在集群各worker節(jié)點(diǎn)上處理micro-batches。每個(gè)micro-batches一旦失敗，重新計(jì)算就行。因?yàn)閙icro-batches本身的不可變性，并且每個(gè)micro-batches也會(huì)持久化，所以exactly once傳輸機(jī)制很容易實(shí)現(xiàn)。

Samza：Samza的實(shí)現(xiàn)方法跟前面兩種流處理框架完全不一樣。Samza利用消息系統(tǒng)Kafka的持久化和偏移量。Samza監(jiān)控任務(wù)的偏移量，當(dāng)任務(wù)處理完消息，相應(yīng)的偏移量被移除。消息的偏移量會(huì)被checkpoint到持久化存儲(chǔ)中，并在失敗時(shí)恢復(fù)。但是問題在于：從上次checkpoint中修復(fù)偏移量時(shí)并不知道上游消息已經(jīng)被處理過，這就會(huì)造成重復(fù)。這就是at least once傳輸機(jī)制。

Apache Flink：Flink的容錯(cuò)機(jī)制是基于分布式快照實(shí)現(xiàn)的，這些快照會(huì)保存流處理作業(yè)的狀態(tài)（本文對(duì)Flink的檢查點(diǎn)和快照不進(jìn)行區(qū)分，因?yàn)閮烧邔?shí)際是同一個(gè)事物的兩種不同叫法。Flink構(gòu)建這些快照的機(jī)制可以被描述成分布式數(shù)據(jù)流的輕量級(jí)異步快照，它采用Chandy-Lamport算法實(shí)現(xiàn)。）。

如果發(fā)生失敗的情況，系統(tǒng)可以從這些檢查點(diǎn)進(jìn)行恢復(fù)。Flink發(fā)送checkpoint的柵欄（barrier）到數(shù)據(jù)流中（柵欄是Flink的分布式快照機(jī)制中一個(gè)核心的元素），當(dāng)checkpoint的柵欄到達(dá)其中一個(gè)operator，operator會(huì)接所有收輸入流中對(duì)應(yīng)的柵欄（比如，圖中checkpoint n對(duì)應(yīng)柵欄n到n-1的所有輸入流，其僅僅是整個(gè)輸入流的一部分）。

所以相對(duì)于Storm，F(xiàn)link的容錯(cuò)機(jī)制更高效，因?yàn)镕link的操作是對(duì)小批量數(shù)據(jù)而不是每條數(shù)據(jù)記錄。但也不要讓自己糊涂了，F(xiàn)link仍然是原生流處理框架，它與Spark Streaming在概念上就完全不同。Flink也提供exactly once消息傳輸機(jī)制。

狀態(tài)管理
大部分大型流處理應(yīng)用都涉及到狀態(tài)。相對(duì)于無狀態(tài)的操作（其只有一個(gè)輸入數(shù)據(jù)，處理過程和輸出結(jié)果），有狀態(tài)的應(yīng)用會(huì)有一個(gè)輸入數(shù)據(jù)和一個(gè)狀態(tài)信息，然后處理過程，接著輸出結(jié)果和修改狀態(tài)信息。

因此，我們不得不管理狀態(tài)信息，并持久化。我們期望一旦因某種原因失敗，狀態(tài)能夠修復(fù)。狀態(tài)修復(fù)有可能會(huì)出現(xiàn)小問題，它并不總是保證exactly once，有時(shí)也會(huì)出現(xiàn)消費(fèi)多次，但這并不是我們想要的。

據(jù)我們所知，Storm提供at-least once的消息傳輸保障。那我們又該如何使用Trident做到exactly once的語義。概念上貌似挺簡(jiǎn)單，你只需要提交每條數(shù)據(jù)記錄，但這顯然不是那么高效。所以你會(huì)想到小批量的數(shù)據(jù)記錄一起提交會(huì)優(yōu)化。Trident定義了幾個(gè)抽象來達(dá)到exactly once的語義，見下圖，其中也會(huì)有些局限。

Spark Streaming是微批處理系統(tǒng)，它把狀態(tài)信息也看做是一種微批量數(shù)據(jù)流。在處理每個(gè)微批量數(shù)據(jù)時(shí)，Spark加載當(dāng)前的狀態(tài)信息，接著通過函數(shù)操作獲得處理后的微批量數(shù)據(jù)結(jié)果并修改加載過的狀態(tài)信息。

Samza實(shí)現(xiàn)狀態(tài)管理是通過Kafka來處理的。Samza有真實(shí)的狀態(tài)操作，所以其任務(wù)會(huì)持有一個(gè)狀態(tài)信息，并把狀態(tài)改變的日志推送到Kafka。如果需要狀態(tài)重建，可以很容易的從Kafka的topic重建。為了達(dá)到更快的狀態(tài)管理，Samza也支持把狀態(tài)信息放入本地key-value存儲(chǔ)中，所以狀態(tài)信息不必一直在Kafka中管理，見下圖。不幸的是，Samza只提供at-least once語義，exactly once的支持也在計(jì)劃中。

Flink提供狀態(tài)操作，和Samza類似。Flink提供兩種類型的狀態(tài)：一種是用戶自定義狀態(tài)；另外一種是窗口狀態(tài)。如圖，第一個(gè)狀態(tài)是自定義狀態(tài)，它和其它的的狀態(tài)不相互作用。這些狀態(tài)可以分區(qū)或者使用嵌入式Key-Value存儲(chǔ)狀態(tài)［文檔一和二］。當(dāng)然Flink提供exactly-once語義。下圖展示Flink長(zhǎng)期運(yùn)行的三個(gè)狀態(tài)。

單詞計(jì)數(shù)例子中的狀態(tài)管理
單詞計(jì)數(shù)的詳細(xì)代碼見上篇文章，這里僅關(guān)注狀態(tài)管理部分。

讓我們先看Trident：

public static StormTopology buildTopology(LocalDRPC drpc) {
FixedBatchSpout spout = ...
TridentTopology topology = new TridentTopology();
TridentState wordCounts = topology.newStream("spout1", spout)
.each(new Fields("sentence"),new Split(), new Fields("word"))
.groupBy(new Fields("word"))
.persistentAggregate(new MemoryMapState.Factory(), new Count(), new Fields("count"));
...
}
在第九行代碼中，我們通過調(diào)用persistentAggregate創(chuàng)建一個(gè)狀態(tài)。其中參數(shù)Count存儲(chǔ)單詞數(shù)，如果你想從狀態(tài)中處理數(shù)據(jù)，你必須創(chuàng)建一個(gè)數(shù)據(jù)流。從代碼中也可以看出實(shí)現(xiàn)起來不方便。

Spark Streaming聲明式的方法稍微好點(diǎn)：

// Initial RDD input to updateStateByKey
val initialRDD = ssc.sparkContext.parallelize(List.empty[(String, Int)])
val lines = ...
val words = lines.flatMap(_.split(" "))
val wordDstream = words.map(x => (x, 1))
val trackStateFunc = (batchTime: Time, word: String, one: Option[Int],
state: State[Int]) => {
val sum = one.getOrElse(0) + state.getOption.getOrElse(0)
val output = (word, sum)
state.update(sum)
Some(output)
}
val stateDstream = wordDstream.trackStateByKey(
StateSpec.function(trackStateFunc).initialState(initialRDD))
首先我們需要?jiǎng)?chuàng)建一個(gè)RDD來初始化狀態(tài)（第二行代碼），然后進(jìn)行transformations（第五行和六行代碼）。接著在第八行到十四行代碼，我們定義函數(shù)來處理單詞數(shù)狀態(tài)。函數(shù)計(jì)算并更新狀態(tài)，最后返回結(jié)果。第十六行和十七行代碼，我們得到一個(gè)狀態(tài)信息流，其中包含單詞數(shù)。

接著我們看下Samza：

class WordCountTask extends StreamTask with InitableTask {
private var store: CountStore = _
def init(config: Config, context: TaskContext) {
this.store = context.getStore("wordcount-store")
.asInstanceOf[KeyValueStore[String, Integer]]
}
override def process(envelope: IncomingMessageEnvelope,
collector: MessageCollector, coordinator: TaskCoordinator) {
val words = envelope.getMessage.asInstanceOf[String].split(" ")
words.foreach { key =>
val count: Integer = Option(store.get(key)).getOrElse(0)
store.put(key, count + 1)
collector.send(new OutgoingMessageEnvelope(new SystemStream("kafka", "wordcount"),
(key, count)))
}
}
首先在第三行代碼定義狀態(tài)，進(jìn)行Key-Value存儲(chǔ)，在第五行到八行代碼初始化狀態(tài)。接著在計(jì)算中使用，上面的代碼已經(jīng)很直白。

最后，講下Flink使用簡(jiǎn)潔的API實(shí)現(xiàn)狀態(tài)管理：

val env = ExecutionEnvironment.getExecutionEnvironment
val text = env.fromElements(...)
val words = text.flatMap ( _.split(" ") )
words.keyBy(x => x).mapWithState {
(word, count: Option[Int]) =>
{
val newCount = count.getOrElse(0) + 1
val output = (word, newCount)
(output, Some(newCount))
}
}
我們僅僅需要在第六行代碼中調(diào)用mapwithstate函數(shù)，它有一個(gè)函數(shù)參數(shù)（函數(shù)有兩個(gè)變量，第一個(gè)是單詞，第二個(gè)是狀態(tài)。然后返回處理的結(jié)果和新的狀態(tài)）。

流處理框架性能
這里所講的性能主要涉及到的是延遲性和吞吐量。

對(duì)于延遲性來說，微批處理一般在秒級(jí)別，大部分原生流處理在百毫秒以下，調(diào)優(yōu)的情況下Storm可以很輕松的達(dá)到十毫秒。

同時(shí)也要記住，消息傳輸機(jī)制保障，容錯(cuò)性和狀態(tài)恢復(fù)都會(huì)占用機(jī)器資源。例如，打開容錯(cuò)恢復(fù)可能會(huì)降低10％到15％的性能，Storm可能降低70%的吞吐量。總之，天下沒有免費(fèi)的午餐。對(duì)于有狀態(tài)管理，F(xiàn)link會(huì)降低25%的性能，Spark Streaming降低50%的性能。

也要記住，各大流處理框架的所有操作都是分布式的，通過網(wǎng)絡(luò)發(fā)送數(shù)據(jù)是相當(dāng)耗時(shí)的，所以進(jìn)了利用數(shù)據(jù)本地性，也盡量?jī)?yōu)化你的應(yīng)用的序列化。

項(xiàng)目成熟度
當(dāng)你為應(yīng)用選型時(shí)一定會(huì)考慮項(xiàng)目的成熟度。下面來快速瀏覽一下：
Storm是第一個(gè)主流的流處理框架，后期已經(jīng)成為長(zhǎng)期的工業(yè)級(jí)的標(biāo)準(zhǔn)，并在像Twitter，Yahoo，Spotify等大公司使用。

Spark Streaming是最近最流行的Scala代碼實(shí)現(xiàn)的流處理框架。現(xiàn)在Spark Streaming被公司（Netflix, Cisco, DataStax, Intel, IBM等）日漸接受。

Samza主要在LinkedIn公司使用。Flink是一個(gè)新興的項(xiàng)目，很有前景。

你可能對(duì)項(xiàng)目的貢獻(xiàn)者數(shù)量也感興趣。Storm和Trident大概有180個(gè)代碼貢獻(xiàn)者；整個(gè)Spark有720多個(gè)；根據(jù)github顯示，Samza有40個(gè)；Flink有超過130個(gè)代碼貢獻(xiàn)者。

流處理框架推薦
應(yīng)用選型是大家都會(huì)遇到的問題，一般是根據(jù)應(yīng)用具體的場(chǎng)景來選擇特定的流處理框架。下面給出幾個(gè)作者認(rèn)為優(yōu)先考慮的點(diǎn)：

High level API：具有high level API的流處理框架會(huì)更簡(jiǎn)潔和高效；

狀態(tài)管理：大部分流處理應(yīng)用都涉及到狀態(tài)管理，因此你得把狀態(tài)管理作為評(píng)價(jià)指標(biāo)之一；

exactly once語義：exactly once會(huì)使得應(yīng)用開發(fā)變得簡(jiǎn)單，但也要看具體需求，可能at least once 或者at most once語義就滿足你得要求；

自動(dòng)恢復(fù)：確保流處理系統(tǒng)能夠快速恢復(fù)，你可以使用Chaos Monkey或者類似的工具進(jìn)行測(cè)試。快速的恢復(fù)是流處理重要的部分。

Storm：Storm非常適合任務(wù)量小但速度要求高的應(yīng)用。如果你主要在意流處理框架的延遲性，Storm將可能是你的首先。但同時(shí)也要記住，Storm的容錯(cuò)恢復(fù)或者Trident的狀態(tài)管理都會(huì)降低整體的性能水平。也有一個(gè)潛在的Storm更新項(xiàng)目-Twitter的Heron，Heron設(shè)計(jì)的初衷是為了替代Storm，并在每個(gè)單任務(wù)上做了優(yōu)化但同時(shí)保留了API。

Spark Streaming：如果你得基礎(chǔ)架構(gòu)中已經(jīng)設(shè)計(jì)到Spark，那Spark Streaming無疑是值得你嘗試的。因?yàn)槟憧梢院芎玫睦肧park各種library。如果你需要使用Lambda架構(gòu)，Spark Streaming也是一個(gè)不錯(cuò)的選擇。但你要時(shí)刻記住微批處理的局限性，以及它的延遲性問題。

Samza：如果你想使用Samza，那Kafka應(yīng)該是你基礎(chǔ)架構(gòu)中的基石，好在現(xiàn)在Kafka已經(jīng)成為家喻戶曉的組件。像前面提到的，Samza一般會(huì)搭配強(qiáng)大的本地存儲(chǔ)一起，這對(duì)管理大數(shù)據(jù)量的狀態(tài)非常有益。它可以輕松處理上萬千兆字節(jié)的狀態(tài)信息，但要記住Samza只支持at least once語義。

Flink：Flink流處理系統(tǒng)的概念非常不錯(cuò)，并且滿足絕大多數(shù)流處理場(chǎng)景，也經(jīng)常提供前沿的功能函數(shù)，比如，高級(jí)窗口函數(shù)或者時(shí)間處理功能，這些在其它流處理框架中是沒有的。同時(shí)Flink也有API提供給通用的批處理場(chǎng)景。但你需要足夠的勇氣去上線一個(gè)新興的項(xiàng)目，并且你也不能忘了看下Flink的roadmap。

Dataflow和開源
最后，我們來聊下Dataflow和它的開源。Dataflow是Google云平臺(tái)的一部分，Google云平臺(tái)包含很多組件：大數(shù)據(jù)存儲(chǔ)，BigQuery，Cloud PubSub，數(shù)據(jù)分析工具和前面提到的Dataflow。

Dataflow是Google管理批處理和流處理的統(tǒng)一API。它是建立在MapReduce（批處理），F(xiàn)lumeJava（編程模型）和MillWheel（流處理）之上。Google最近決定開源Dataflow SDK，并完成Spark和Flink的runner。現(xiàn)在可以通過Dataflow的API來定義Google云平臺(tái)作業(yè)、Flink作業(yè)或者Spark作業(yè)，后續(xù)會(huì)增加對(duì)其它引擎的支持。

Google為Dataflow提供Java、Python的API，社區(qū)已經(jīng)完成Scalable的DSL支持。除此之外，Google及其合作者提交Apache Beam到Apache。

結(jié)論
本系列文章粗略的講述各大流行的流處理框架，并討論了它們的相似性、區(qū)別、折衷權(quán)衡和使用的場(chǎng)景。希望這些將會(huì)給你設(shè)計(jì)流處理方案有幫助。

譯者介紹：俠天，專注于大數(shù)據(jù)、機(jī)器學(xué)習(xí)和數(shù)學(xué)相關(guān)的內(nèi)容，并有個(gè)人公眾號(hào)：bigdata_ny分享相關(guān)技術(shù)文章。

**歡迎加入本站公開興趣群
**
軟件開發(fā)技術(shù)群
興趣范圍包括：Java，C/C++，Python，PHP，Ruby，shell等各種語言開發(fā)經(jīng)驗(yàn)交流，各種框架使用，外包項(xiàng)目機(jī)會(huì)，學(xué)習(xí)、培訓(xùn)、跳槽等交流
QQ群：26931708

Hadoop源代碼研究群
興趣范圍包括：Hadoop源代碼解讀，改進(jìn)，優(yōu)化，分布式系統(tǒng)場(chǎng)景定制，與Hadoop有關(guān)的各種開源項(xiàng)目，總之就是玩轉(zhuǎn)Hadoop
QQ群：288410967