https://mp.weixin.qq.com/s?__biz=MzU1NDA4NjU2MA==&mid=2247486490&idx=1&sn=e25a05be8cf98ce7eb56a8a2a64ab1bd&chksm=fbe9b5d5cc9e3cc38541559dc54225c5be7ea2d15847badb5d958c30f5cb06855277a3ba0d13&scene=27#wechat_redirect

?

?

分布式流處理需求日益增加，包括支付交易、社交網(wǎng)絡、物聯(lián)網(wǎng)（IOT）、系統(tǒng)監(jiān)控等。業(yè)界對流處理已經(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以及區(qū)別。

?

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

?

DAG是任務鏈的圖形化表示，我們用它來描述流處理作業(yè)的拓撲。如下圖，數(shù)據(jù)從sources流經(jīng)處理任務鏈到sinks。單機可以運行DAG，但本篇文章主要聚焦在多臺機器上運行DAG的情況。?

?

關注點

當選擇不同的流處理系統(tǒng)時，有以下幾點需要注意的：

?

• 運行時和編程模型：平臺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用場景。這是一個相當重要的點，后續(xù)會繼續(xù)。

• 函數(shù)式原語：流處理平臺應該能提供豐富的功能函數(shù)，比如，map或者filter這類易擴展、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、不易擴展的操作join。

• 狀態(tài)管理：大部分應用都需要保持狀態(tài)處理的邏輯。流處理平臺應該提供存儲、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的消息傳輸機制是每條消息傳輸零次或者一次，即消息可能會丟失；A t least once意味著每條消息會進行多次傳輸嘗試，至少一次成功，即消息傳輸可能重復但不會丟失；Exactly once的消息傳輸機制是每條消息有且只有一次，即消息傳輸既不會丟失也不會重復。

• 容錯：流處理框架中的失敗會發(fā)生在各個層次，比如，網(wǎng)絡部分，磁盤崩潰或者節(jié)點宕機等。流處理框架應該具備從所有這種失敗中恢復，并從上一個成功的狀態(tài)（無臟數(shù)據(jù)）重新消費。

• 性能：延遲時間（Latency），吞吐量（Throughput）和擴展性（Scalability）是流處理應用中極其重要的指標。?
  平臺的成熟度和接受度：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。選擇正確的平臺會在這方面提供很大的幫助。

運行時和編程模型

運行時和編程模型是一個系統(tǒng)最重要的特質(zhì)，因為它們定義了表達方式、可能的操作和將來的局限性。因此，運行時和編程模型決定了系統(tǒng)的能力和適用場景。

?

實現(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即會一個接著一個進行處理。?

?

?

第二種稱為微批處理。把輸入的數(shù)據(jù)按照某種預先定義的時間間隔（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)勢和不足。

?

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

?

一般原生流處理系統(tǒng)為了達到低延遲和容錯性會花費比較大的成本，因為它需要考慮每條記錄。原生流處理的負載均衡也是個問題。比如，我們處理的數(shù)據(jù)按key分區(qū)，如果分區(qū)的某個key是資源密集型，那這個分區(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)的表達力。像狀態(tài)管理或者join等操作的實現(xiàn)會變的困難，因為微批處理系統(tǒng)必須操作整個批量數(shù)據(jù)。并且，batch interval會連接兩個不易連接的事情：基礎屬性和業(yè)務邏輯。

?

相反地，微批處理系統(tǒng)的容錯性和負載均衡實現(xiàn)起來非常簡單，因為微批處理系統(tǒng)僅發(fā)送每批數(shù)據(jù)到一個worker節(jié)點上，如果一些數(shù)據(jù)出錯那就使用其它副本。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)建拓撲。新的組件經(jīng)常以接口的方式完成。相對應地，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)建拓撲和優(yōu)化拓撲。聲明式API經(jīng)常也提供更多高級的操作（比如，窗口函數(shù)或者狀態(tài)管理）。后面很快會給出樣例代碼。

主流流處理系統(tǒng)

有一系列各種實現(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)，但它們實現(xiàn)的方法包含了各種不同的挑戰(zhàn)。這里暫時不講商業(yè)的系統(tǒng)，比如Google MillWheel或者Amazon Kinesis，也不會涉及很少使用的Intel GearPump或者Apache Apex。?

?

Apache Storm最開始是由Nathan Marz和他的團隊于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頂級項目。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)標準。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Storm的一個更高層次的抽象，Trident最大的特點以batch的形式進行流處理。Trident簡化topology構(gòu)建過程，增加了窗口操作、聚合操作或者狀態(tài)管理等高級操作，這些在Storm中并不支持。相對應于Storm的At most once流傳輸機制，Trident提供了Exactly once傳輸機制。Trident支持Java，Clojure和Scala。

?

當前Spark是非常受歡迎的批處理框架，包含Spark SQL，MLlib和Spark Streaming。Spark的運行時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提供高級聲明式API（支持Scala，Java和Python）。

?

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

?

最后來介紹Apache Flink。Flink是個相當早的項目，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一樣進行批處理，但兩者處理的基礎是完全不同的。Flink把批處理當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，因為這更接近于現(xiàn)實世界。

?

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之于流處理框架學習，就好比hello world之于編程語言學習。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",?newFields("word"));

?

...

?

Map<String,?Integer>?counts?=?new?HashMap<String,?Integer>();

?

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spout，作為數(shù)據(jù)源。然后是一個處理組件bolt，分割文本為單詞。接著，定義另一個bolt來計算單詞數(shù)（第四行代碼）。也可以看到魔數(shù)5，8和12，這些是并行度，定義集群每個組件執(zhí)行的獨立線程數(shù)。第八行到十五行是實際的WordCount bolt實現(xiàn)。因為Storm不支持內(nèi)建的狀態(tài)管理，所有這里定義了一個局部狀態(tài)。

?

按之前描述，Trident是對Storm的一個更高層次的抽象，Trident最大的特點以batch的形式進行流處理。除了其它優(yōu)勢，Trident提供了狀態(tài)管理，這對wordcount實現(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)來存儲單詞數(shù)（第九行代碼）。

?

下面是時候祭出提供聲明式API的Apache Spark。記住，相對于前面的例子，這些代碼相當簡單，幾乎沒有冗余代碼。下面是簡單的流式計算單詞數(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（這里設置為1秒）。第六行到八行代碼是整個單詞數(shù)計算。這些是標準的函數(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Spark Streaming作業(yè)最后的部分：啟動計算。記住，Spark Streaming作業(yè)一旦啟動即不可修改。?
接下來看下Apache Samza，另外一個組合式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，為了簡明這里并沒把配置文件放上來。定義任務的輸入和輸出，并通過Kafka topic通信。在單詞數(shù)計算整個topology是WordCountTask。在Samza中，實現(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。第八行到十行簡單的Scala代碼是計算本身。?

?

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?shù)闹卑?#xff0c;僅僅只是幾個函數(shù)式調(diào)用，Flink支持分布式計算。

容錯性

流處理系統(tǒng)的容錯性與生俱來的比批處理系統(tǒng)難實現(xiàn)。當批處理系統(tǒng)中出現(xiàn)錯誤時，我們只需要把失敗的部分簡單重啟即可；但對于流處理系統(tǒng)，出現(xiàn)錯誤就很難恢復。因為線上許多作業(yè)都是7 x 24小時運行，不斷有輸入的數(shù)據(jù)。流處理系統(tǒng)面臨的另外一個挑戰(zhàn)是狀態(tài)一致性，因為重啟后會出現(xiàn)重復數(shù)據(jù)，并且不是所有的狀態(tài)操作是冪等的。容錯性這么難實現(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)備份和消息確認的機制來保障消息在失敗之后會重新處理。消息確認原理：每個操作都會把前一次的操作處理消息的確認信息返回。Topology的數(shù)據(jù)源備份它生成的所有數(shù)據(jù)記錄。當所有數(shù)據(jù)記錄的處理確認信息收到，備份即會被安全拆除。失敗后，如果不是所有的消息處理確認信息收到，那數(shù)據(jù)記錄會被數(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)果會有重復，這就是at-least once傳輸機制。

?

Storm采用取巧的辦法完成了容錯性，對每個源數(shù)據(jù)記錄僅僅要求幾個字節(jié)存儲空間來跟蹤確認消息。純數(shù)據(jù)記錄消息確認架構(gòu)，盡管性能不錯，但不能保證exactly once消息傳輸機制，所有應用開發(fā)者需要處理重復數(shù)據(jù)。Storm存在低吞吐量和流控問題，因為消息確認機制在反壓下經(jīng)常誤認為失敗。?

?

Spark Streaming：Spark Streaming實現(xiàn)微批處理，容錯機制的實現(xiàn)跟Storm不一樣的方法。微批處理的想法相當簡單。Spark在集群各worker節(jié)點上處理micro-batches。每個micro-batches一旦失敗，重新計算就行。因為micro-batches本身的不可變性，并且每個micro-batches也會持久化，所以exactly once傳輸機制很容易實現(xiàn)。?

?

Samza：Samza的實現(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)控任務的偏移量，當任務處理完消息，相應的偏移量被移除。消息的偏移量會被checkpoint到持久化存儲中，并在失敗時恢復。但是問題在于：從上次checkpoint中修復偏移量時并不知道上游消息已經(jīng)被處理過，這就會造成重復。這就是at least once傳輸機制。?

?

Apache Flink：Flink的容錯機制是基于分布式快照實現(xiàn)的，這些快照會保存流處理作業(yè)的狀態(tài)（本文對Flink的檢查點和快照不進行區(qū)分，因為兩者實際是同一個事物的兩種不同叫法。Flink構(gòu)建這些快照的機制可以被描述成分布式數(shù)據(jù)流的輕量級異步快照，它采用Chandy-Lamport算法實現(xiàn)。）。

?

如果發(fā)生失敗的情況，系統(tǒng)可以從這些檢查點進行恢復。Flink發(fā)送checkpoint的柵欄（barrier）到數(shù)據(jù)流中（柵欄是Flink的分布式快照機制中一個核心的元素），當checkpoint的柵欄到達其中一個operator，operator會接所有收輸入流中對應的柵欄（比如，圖中checkpoint n對應柵欄n到n-1的所有輸入流，其僅僅是整個輸入流的一部分）。

?

所以相對于Storm，Flink的容錯機制更高效，因為Flink的操作是對小批量數(shù)據(jù)而不是每條數(shù)據(jù)記錄。但也不要讓自己糊涂了，Flink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消息傳輸機制。?

狀態(tài)管理

大部分大型流處理應用都涉及到狀態(tài)。相對于無狀態(tài)的操作（其只有一個輸入數(shù)據(jù)，處理過程和輸出結(jié)果），有狀態(tài)的應用會有一個輸入數(shù)據(jù)和一個狀態(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。狀態(tài)修復有可能會出現(xiàn)小問題，它并不總是保證exactly once，有時也會出現(xiàn)消費多次，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。所以你會想到小批量的數(shù)據(jù)記錄一起提交會優(yōu)化。Trident定義了幾個抽象來達到exactly once的語義，見下圖，其中也會有些局限。?

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。在處理每個微批量數(shù)據(jù)時，Spark加載當前的狀態(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實現(xiàn)狀態(tài)管理是通過Kafka來處理的。Samza有真實的狀態(tài)操作，所以其任務會持有一個狀態(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存儲狀態(tài)［文檔一和二］。當然Flink提供exactly-once語義。下圖展示Flink長期運行的三個狀態(tài)。?

單詞計數(shù)例子中的狀態(tài)管理

單詞計數(shù)的詳細代碼見上篇文章，這里僅關注狀態(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(),?newFields("count"));

?

...

?

}

?

在第九行代碼中，我們通過調(diào)用persistentAggregate創(chuàng)建一個狀態(tài)。其中參數(shù)Count存儲單詞數(shù)，如果你想從狀態(tài)中處理數(shù)據(jù)，你必須創(chuàng)建一個數(shù)據(jù)流。從代碼中也可以看出實現(xiàn)起來不方便。

?

Spark Streaming聲明式的方法稍微好點：

?

// 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))

?

首先我們需要創(chuàng)建一個RDD來初始化狀態(tài)（第二行代碼），然后進行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)，進行Key-Value存儲，在第五行到八行代碼初始化狀態(tài)。接著在計算中使用，上面的代碼已經(jīng)很直白。

?

最后，講下Flink使用簡潔的API實現(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)，它有一個函數(shù)參數(shù)（函數(shù)有兩個變量，第一個是單詞，第二個是狀態(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。

?

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

?

同時也要記住，消息傳輸機制保障，容錯性和狀態(tài)恢復都會占用機器資源。例如，打開容錯恢復可能會降低10％到15％的性能，Storm可能降低70%的吞吐量。總之，天下沒有免費的午餐。對于有狀態(tài)管理，Flink會降低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)絡發(fā)送數(shù)據(jù)是相當耗時的，所以進了利用數(shù)據(jù)本地性，也盡量優(yōu)化你的應用的序列化。

項目成熟度

當你為應用選型時一定會考慮項目的成熟度。下面來快速瀏覽一下：?
Storm是第一個主流的流處理框架，后期已經(jīng)成為長期的工業(yè)級的標準，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是一個新興的項目，很有前景。

?

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

流處理框架推薦

應用選型是大家都會遇到的問題，一般是根據(jù)應用具體的場景來選擇特定的流處理框架。下面給出幾個作者認為優(yōu)先考慮的點：

?

• High level API：具有high level API的流處理框架會更簡潔和高效；

• 狀態(tài)管理：大部分流處理應用都涉及到狀態(tài)管理，因此你得把狀態(tài)管理作為評價指標之一；

• exactly once語義：exactly once會使得應用開發(fā)變得簡單，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；

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

?

Storm：Storm非常適合任務量小但速度要求高的應用。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。但同時也要記住，Storm的容錯恢復或者Trident的狀態(tài)管理都會降低整體的性能水平。也有一個潛在的Storm更新項目-Twitter的Heron，Heron設計的初衷是為了替代Storm，并在每個單任務上做了優(yōu)化但同時保留了API。

?

Spark Streaming：如果你得基礎架構(gòu)中已經(jīng)設計到Spark，那Spark Streaming無疑是值得你嘗試的。因為你可以很好的利用Spark各種library。如果你需要使用Lambda架構(gòu)，Spark Streaming也是一個不錯的選擇。但你要時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應該是你基礎架構(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一般會搭配強大的本地存儲一起，這對管理大數(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，并且滿足絕大多數(shù)流處理場景，也經(jīng)常提供前沿的功能函數(shù)，比如，高級窗口函數(shù)或者時間處理功能，這些在其它流處理框架中是沒有的。同時Flink也有API提供給通用的批處理場景。但你需要足夠的勇氣去上線一個新興的項目，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云平臺的一部分，Google云平臺包含很多組件：大數(shù)據(jù)存儲，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），FlumeJava（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云平臺作業(yè)、Flink作業(yè)或者Spark作業(yè)，后續(xù)會增加對其它引擎的支持。

?

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)衡和使用的場景。希望這些將會給你設計流處理方案有幫助。

?

轉(zhuǎn)載于:https://www.cnblogs.com/davidwang456/articles/10655201.html

總結(jié)

以上是生活随笔為你收集整理的实时流处理框架Storm、Spark Streaming、Samza、Flink，孰优孰劣？！的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。