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。 


Spark与Flink:对比与分析  

 

图1 Spark架构图

 


Spark与Flink:对比与分析  

 

图2 Flink架构图

 


Spark与Flink:对比与分析  

 

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。 


Spark与Flink:对比与分析  

 

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 


Spark与Flink:对比与分析  

 

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。 


Spark与Flink:对比与分析  

 

图6 Hadoop(MR)迭代流程

 


Spark与Flink:对比与分析  

 

图7 Spark迭代流程

 


Spark与Flink:对比与分析  

 

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。 


Spark与Flink:对比与分析  

 

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

 

 

你可能感兴趣的:(spark)