flink與Spark的對比分析[轉]
我們是否還需要另外一個新的資料處理引擎？
當我第一次聽到flink的時候這是我是非常懷疑的。在大資料領域，現在已經不缺少資料處理框架了，但是沒有一個框架能夠完全滿足不同的處理需求。
自從Apache spark出現後，貌似已經成為當今把大部分的問題解決得最好的框架了，所以我對另外一款解決類似問題的框架持有很強烈的懷疑態度。
不過因為好奇，我花費了數個星期在嘗試瞭解flink。
一開始仔細看了flink的幾個例子，感覺和spark非常類似，心理就傾向於認為flink又是一個模仿spark的框架。但是隨著瞭解的深入，這些API體現了一些flink的新奇的思路，這些思路還是和spark有著比較明顯的區別的。我對這些思路有些著迷了，所以花費了更多的時間在這上面。
flink中的很多思路，例如記憶體管理，dataset API都已經出現在spark中並且已經證明 這些思路是非常靠譜的。所以，深入瞭解flink也許可以幫助我們分散式資料處理的未來之路是怎樣的
在後面的文章裡，我會把自己作為一個spark開發者對flink的第一感受寫出來。因為我已經在spark上幹了2年多了，但是隻在flink上接觸了2到3周，所以必然存在一些bias，所以大家也帶著懷疑和批判的角度來看這篇文章吧。
Apache Flink是什麼
flink是一款新的大資料處理引擎，目標是統一不同來源的資料處理。這個目標看起來和spark和類似。沒錯，flink也在嘗試解決spark在解決的問題。這兩套系統都在嘗試建立一個統一的平臺可以執行批量，流式，互動式，圖處理，機器學習等應用。所以，flink和spark的目標差別並不大，他們最主要的區別在於實現的細節。
後面我會重點從不同的角度對比這兩者。
Apache Spark vs Apache Flink
1.抽象 Abstraction
spark中，對於批處理我們有RDD,對於流式，我們有DStream，不過內部實際還是RDD.所以所有的資料表示本質上還是RDD抽象。
後面我會重點從不同的角度對比這兩者。在flink中，對於批處理有DataSet，對於流式我們有DataStreams。看起來和spark類似，他們的不同點在於：
一）DataSet在執行時是表現為執行計劃(runtime plans)的
在spark中，RDD在執行時是表現為java objects的。通過引入Tungsten，這塊有了些許的改變。但是在flink中是被表現為logical plan(邏輯計劃)的，聽起來很熟悉？沒錯，就是類似於spark中的dataframes。所以在flink中你使用的類Dataframe api是被作為第一優先順序來優化的。但是相對來說在spark RDD中就沒有了這塊的優化了。
flink中的Dataset，對標spark中的Dataframe，在執行前會經過優化。
在spark 1.6，dataset API已經被引入spark了，也許最終會取代RDD 抽象。
二）Dataset和DataStream是獨立的API
在spark中，所有不同的API，例如DStream，Dataframe都是基於RDD抽象的。但是在flink中，Dataset和DataStream是同一個公用的引擎之上兩個獨立的抽象。所以你不能把這兩者的行為合併在一起操作，當然，flink社群目前在朝這個方向努力(https://issues.apache.org/jira/browse/FLINK-2320)，但是目前還不能輕易斷言最後的結果。
2.記憶體管理
一直到1.5版本，spark都是試用java的記憶體管理來做資料快取，明顯很容易導致OOM或者gc。所以從1.5開始，spark開始轉向精確的控制記憶體的使用，這就是tungsten專案了
flink從第一天開始就堅持自己控制記憶體試用。這個也是啟發了spark走這條路的原因之一。flink除了把資料存在自己管理的記憶體以外，還直接操作二進位制資料。在spark中，從1.5開始，所有的dataframe操作都是直接作用在tungsten的二進位制資料上。
3.語言實現
spark是用scala來實現的，它提供了Java，Python和R的程式設計介面。
flink是java實現的，當然同樣提供了Scala API
所以從語言的角度來看，spark要更豐富一些。因為我已經轉移到scala很久了，所以不太清楚這兩者的java api實現情況。
4.API
spark和flink都在模仿scala的collection API.所以從表面看起來，兩者都很類似。下面是分別用RDD和DataSet API實現的word count
```
// Spark wordcount
object WordCount {
def main(args: Array[String]) {
val env = new SparkContext("local","wordCount")
val data = List("hi","how are you","hi")
val dataSet = env.parallelize(data)
val words = dataSet.flatMap(value => value.split("\\s+"))
val mappedWords = words.map(value => (value,1))
val sum = mappedWords.reduceByKey(_+_)
println(sum.collect())
}
}
// Flink wordcount
object WordCount {
def main(args: Array[String]) {
val env = ExecutionEnvironment.getExecutionEnvironment
val data = List("hi","how are you","hi")
val dataSet = env.fromCollection(data)
val words = dataSet.flatMap(value => value.split("\\s+"))
val mappedWords = words.map(value => (value,1))
val grouped = mappedWords.groupBy(0)
val sum = grouped.sum(1)
println(sum.collect())
}
```
}
不知道是偶然還是故意的，API都長得很像，這樣很方便開發者從一個引擎切換到另外一個引擎。我感覺以後這種Collection API會成為寫data pipeline的標配。
Steaming
spark把streaming看成是更快的批處理，而flink把批處理看成streaming的special case。這裡面的思路決定了各自的方向，其中兩者的差異點有如下這些：
實時 vs 近實時的角度
flink提供了基於每個事件的流式處理機制，所以可以被認為是一個真正的流式計算。它非常像storm的model。
而spark，不是基於事件的粒度，而是用小批量來模擬流式，也就是多個事件的集合。所以spark被認為是近實時的處理系統。
Spark streaming 是更快的批處理，而Flink Batch是有限資料的流式計算。
雖然大部分應用對準實時是可以接受的，但是也還是有很多應用需要event level的流式計算。這些應用更願意選擇storm而非spark streaming，現在，flink也許是一個更好的選擇。
流式計算和批處理計算的表示
spark對於批處理和流式計算，都是用的相同的抽象：RDD，這樣很方便這兩種計算合併起來表示。而flink這兩者分為了DataSet和DataStream，相比spark，這個設計算是一個糟糕的設計。
對 windowing 的支援
因為spark的小批量機制，spark對於windowing的支援非常有限。只能基於process time，且只能對batches來做window。
而Flink對window的支援非常到位，且Flink對windowing API的支援是相當給力的，允許基於process time,data time,record 來做windowing。
我不太確定spark是否能引入這些API，不過到目前為止，Flink的windowing支援是要比spark好的。
Steaming這部分flink勝
SQL interface
目前spark-sql是spark裡面最活躍的元件之一，Spark提供了類似Hive的sql和Dataframe這種DSL來查詢結構化資料，API很成熟，在流式計算中使用很廣，預計在流式計算中也會發展得很快。
至於flink，到目前為止，Flink Table API只支援類似DataFrame這種DSL，並且還是處於beta狀態，社群有計劃增加SQL 的interface，但是目前還不確定什麼時候才能在框架中用上。
所以這個部分，spark勝出。
Data source Integration
Spark的資料來源 API是整個框架中最好的，支援的資料來源包括NoSql db,parquet,ORC等，並且支援一些高階的操作，例如predicate push down
Flink目前還依賴map/reduce InputFormat來做資料來源聚合。
這一場spark勝
Iterative processing
spark對機器學習的支援較好，因為可以在spark中利用記憶體cache來加速機器學習演算法。
但是大部分機器學習演算法其實是一個有環的資料流，但是在spark中，實際是用無環圖來表示的，一般的分散式處理引擎都是不鼓勵試用有環圖的。
但是flink這裡又有點不一樣，flink支援在runtime中的有環資料流，這樣表示機器學習演算法更有效而且更有效率。
這一點flink勝出。
Stream as platform vs Batch as Platform
Spark誕生在Map/Reduce的時代，資料都是以檔案的形式儲存在磁碟中，這樣非常方便做容錯處理。
Flink把純流式資料計算引入大資料時代，無疑給業界帶來了一股清新的空氣。這個idea非常類似akka-streams這種。
成熟度
目前的確有一部分吃螃蟹的使用者已經在生產環境中使用flink了，不過從我的眼光來看，Flink還在發展中，還需要時間來成熟。
結論
目前Spark相比Flink是一個更為成熟的計算框架，但是Flink的很多思路很不錯，Spark社群也意識到了這一點，並且逐漸在採用Flink中的好的設計思路，所以學習一下Flink能讓你瞭解一下Streaming這方面的更迷人的思路。