大數據技術正飛速地發展著，催生出一代又一代快速便捷的大數據處理引擎，無論是Hadoop、Storm，還是后來的Spark、Flink。然而，畢竟沒有哪一個框架可以完全支持所有的應用場景，也就說明不可能有任何一個框架可以完全取代另一個。今天，大圣眾包威客平臺（www.dashengzb.cn）將從幾個項出發著重對比Spark與Flink這兩個大數據處理引擎，探討其兩者的區別。

一、Spark與Flink幾個主要項目的對比與分析

1.性能對比

測試環境：

CPU：7000個

內存：單機128GB

版本：Hadoop 2.3.0，Spark 1.4，Flink 0.9

數據：800MB，8GB，8TB

算法：K-means：以空間中K個點為中心進行聚類，對最靠近它們的對象歸類，通過迭代的方法，逐次更新各聚類中心的值，直至得到最好的聚類結果

迭代：K=10，3組數據

相同點：Spark與Flink都運行在Hadoop YARN上，兩者都擁有非常好的計算性能，因為兩者都可以基于內存計算框架以進行實時計算。

相異點：結合上圖三者的迭代次數（縱坐標是秒，橫坐標是次數）圖表觀察，可得出在性能上，呈現Flink > Spark > Hadoop（MR）的結果，且迭代次數越多越明顯。Flink之所以優于Spark和Hadoop，最主要的原因是Flink支持增量迭代，具有對迭代自動優化的功能。

結果：Flink勝。

2.流式計算比較

相同點：Spark與Flink都支持流式計算。

相異點：Spark是基于數據片集合（RDD）進行小批量處理的，它只能支持秒級計算，所以Spark在流式處理方面，不可避免會增加一些延時。Flink是一行一行的，它的流式計算跟Storm的性能差不多，是支持毫秒級計算的。

結果：Flink勝。

3.與Hadoop兼容性對比

相同點：Spark與Flink的數據存取都支持HDFS、HBase等數據源，而且，它們的計算資源調度都支持YARN的方式。

相異點：Spark不支持TableMapper和TableReducer這些方法。Flink對Hadoop有著更好的兼容，如可以支持原生HBase的TableMapper和TableReducer，唯一不足是新版本的MapReduce方法無法得到支持，現在只支持老版本的MapReduce方法。

結果：Flink勝。

4.SQL支持對比

相同點：兩者都支持SQL。

相異點：從范圍上說，Spark對SQL的支持比Flink的要大一些，而且Spark支持對SQL的優化（包括代碼生成和快速Join操作），還要提供對SQL語句的擴展和更好地集成。Flink主要支持對API級的優化。

結果：Spark勝。

5.計算迭代對比

相同點：如下圖所示，Hadoop（MR）、Spark和Flink均能迭代。

相異點：Flink特有delta-iterations，這讓它能夠在迭代中顯著減少計算。并且Flink具有自動優化迭代程序功能，具體流程如下圖所示。

結果：Flink勝。

6.社區支持對比

相同點：Spark與Flink均有社區支持。

相異點：Spark社區活躍度比Flink高很多。

結果：Spark勝。

二、Spark與Flink的特點剖析

1.Spark 1.4的6大特點

眾所周知，提出最主要抽象概念——彈性分布式數據集（RDD）的是Spark。RDD是一個元素集合，將其劃分到集群的各個節點上可以被并行操作。當然，用戶也可以讓Spark保留一個RDD在內存里，讓其能在并行操作中被有效地重復使用。Spark是實至名歸的快速、通用的計算集群系統。結合下圖Spark架構圖與生態系統圖，可以看出Spark 1.4的6大特點：

①Spark SQL（DataFrame）添加了ORCFile類型支持以及所有的Hive metastore支持；

②增加了UI的Spark Streaming，使得用戶查看各種狀態更加地便捷，隨著和Kafka融合的加深，對Kinesis的支持也加強了很多；

③Spark之所以提供了更多的算法和工具，是因為Spark ML/MLlib的ML pipelines越來越成熟；

④使用了REST API，Spark可以為應用獲取如jobs、stages、storage info、tasks等各種信息；

⑤內存管理、代碼生成、垃圾回收等方面都有很多改進，這些都得益于Tungsten項目的持續優化；

⑥SparkR的發布讓Spark得到更友好的R語法的支持。

2.Flink 0.9的7大特點

作為可擴展的批處理和流式數據處理的數據處理平臺，Flink的設計思想主要來源于Hadoop、MPP數據庫、流式計算系統等。支持增量迭代計算是Flink最大的特點，而且其對于迭代計算和流式計算的支持力度都將會加強。結合下圖Flink架構圖與生態系統圖，可以看出Flink 0.9的7大特點：

①搭載DataSet API，讓Flink支持Java、Python和Scala等多種編程語言；

②同樣地，搭載DataStream API，讓Flink支持Java和Scala；

③Flink ML和Gelly提供機器學習和圖處理的多種庫；

④Table API能夠支持類SQL；

⑤Flink能夠支持高效序列化、反序列化；

⑥Flink和Hadoop相互兼容；

⑦Flink擁有自動優化迭代的功能。

放眼未來，無論是Spark還是Flink，兩者的發展重點都將是數據科學和平臺API化，使其生態系統越來越完善。亦或許，會有更新的大數據處理引擎出現，誰知道呢。

原文地址：http://www.dashengzb.cn/articles/a-330.html

（更多大數據與商業智能領域干貨、或電子書，可添加個人微信號（dashenghuaer))