上：Spark VS Flink – 下一代大數(shù)據(jù)計算引擎之爭，誰主沉??？

作者簡介

王海濤，曾經(jīng)在微軟的 SQL Server和大數(shù)據(jù)平臺組工作多年。帶領(lǐng)團隊建立了微軟對內(nèi)的 Spark 服務(wù)，主打 Spark Streaming。去年加入阿里實時計算部門，參與改進阿里基于 Apache Flink 的Blink 平臺。

導(dǎo)讀： 做大數(shù)據(jù)絕對躲不過的一個熱門話題就是實時流計算，而提到實時流計算，就不得不提 Spark 和 Flink。Spark 從 2014 年左右開始迅速流行，剛推出時除了在某些場景比 Hadoop MapReduce 帶來幾十到上百倍的性能提升外，還提出了用一個統(tǒng)一的引擎支持批處理、流處理、交互式查詢、機器學(xué)習(xí)等常見的數(shù)據(jù)處理場景。憑借高性能和全面的場景支持，Spark 早已成為眾多大數(shù)據(jù)開發(fā)者的最愛。

正在 Spark 如日中天高速發(fā)展的時候，2016 年左右 Flink 開始進入大眾的視野并逐漸廣為人知。在人們開始使用 Spark 之后，發(fā)現(xiàn) Spark 雖然支持各種常見場景，但并不是每一種都同樣好用。數(shù)據(jù)流的實時處理就是其中相對較弱的一環(huán)。Flink 憑借更優(yōu)的流處理引擎，同時也支持各種處理場景，成為 Spark 的有力挑戰(zhàn)者。當然，Spark 也在不斷增強其實時流處理能力，在今年 2 月份發(fā)布的 2.3 版本中引入了持續(xù)流式處理模型，可將流處理延遲降低至毫秒級別。

本文對 Spark 和 Flink 的技術(shù)與場景進行了全面分析與對比，且看下一代大數(shù)據(jù)計算引擎之爭，誰主沉??？

下一代大數(shù)據(jù)計算引擎

自從數(shù)據(jù)處理需求超過了傳統(tǒng)數(shù)據(jù)庫能有效處理的數(shù)據(jù)量之后，Hadoop 等各種基于 MapReduce 的海量數(shù)據(jù)處理系統(tǒng)應(yīng)運而生。從2004 年 Google 發(fā)表 MapReduce 論文開始，經(jīng)過近10年的發(fā)展，基于 Hadoop 開源生態(tài)或者其它相應(yīng)系統(tǒng)的海量數(shù)據(jù)處理已經(jīng)成為業(yè)界的基本需求。

但是，很多機構(gòu)在開發(fā)自己的數(shù)據(jù)處理系統(tǒng)時都會發(fā)現(xiàn)需要面臨一系列的問題。從數(shù)據(jù)中獲取價值需要的投入遠遠超過預(yù)期。常見的問題包括：

• 非常陡峭的學(xué)習(xí)曲線。剛接觸這個領(lǐng)域的人經(jīng)常會被需要學(xué)習(xí)的技術(shù)的數(shù)量砸暈。不像經(jīng)過幾十年發(fā)展的數(shù)據(jù)庫一個系統(tǒng)可以解決大部分數(shù)據(jù)處理需求， Hadoop 等大數(shù)據(jù)生態(tài)里的一個系統(tǒng)往往在一些數(shù)據(jù)處理場景上比較擅長，另一些場景湊合能用，還有一些場景完全無法滿足需求。結(jié)果就是需要好幾個系統(tǒng)來處理不同的場景。

cdn.xitu.io/2019/4/28/16a630d7d05c167b?w=975&h=514&f=png&s=244600">
（來源：https://mapr.com/developercentral/lambda-architecture/）

上圖是一個典型的lambda架構(gòu)，只是包含了批處理和流處理兩種場景，就已經(jīng)牽涉到至少四五種技術(shù)了，還不算每種技術(shù)的可替代選擇。再加上實時查詢，交互式分析，機器學(xué)習(xí)等場景，每個場景都有幾種技術(shù)可以選擇，每個技術(shù)涵蓋的領(lǐng)域還有不同方式的重疊。結(jié)果就是一個業(yè)務(wù)經(jīng)常需要使用四五種以上的技術(shù)才能支持好一個完整的數(shù)據(jù)處理流程。加上調(diào)研選型，需要了解的數(shù)目還要多得多。

下圖是大數(shù)據(jù)領(lǐng)域的全景。有沒有暈？

大數(shù)據(jù)和 AI 全景 – 2018 （來源：http://mattturck.com/bigdata2018/）

• 開發(fā)和運行效率低下。因為牽涉到多種系統(tǒng)，每種系統(tǒng)有自己的開發(fā)語言和工具，開發(fā)效率可想而知。而因為采用了多套系統(tǒng)，數(shù)據(jù)需要在各個系統(tǒng)之間傳輸，也造成了額外的開發(fā)和運行代價，數(shù)據(jù)的一致也難以保證。在很多機構(gòu)，實際上一半以上的開發(fā)精力花在了數(shù)據(jù)在各個系統(tǒng)之間的傳輸上。

• 復(fù)雜的運維。多個系統(tǒng)，每個需要自己的運維，帶來更高的運維代價的同時也提高了系統(tǒng)出問題的可能。

• 數(shù)據(jù)質(zhì)量難以保證。數(shù)據(jù)出了問題難以跟蹤解決。

• 最后，還有人的問題。在很多機構(gòu)，由于系統(tǒng)的復(fù)雜性，各個子系統(tǒng)的支持和使用落實在不同部門負責(zé)。

了解了這些問題以后，對Spark 從2014年左右開始迅速流行就比較容易理解了。Spark 在當時除了在某些場景比 Hadoop MapReduce 帶來幾十到上百倍的性能提升外，還提出了用一個統(tǒng)一的引擎支持批處理，流處理，交互式查詢，機器學(xué)習(xí)等常見的數(shù)據(jù)處理場景?？催^在一個 Notebook 里完成上述所有場景的 Spark 演示，對比之前的數(shù)據(jù)流程開發(fā)，對很多開發(fā)者來說不難做出選擇。經(jīng)過幾年的發(fā)展，Spark 已經(jīng)被視為可以完全取代 Hadoop 中的 MapReduce 引擎。

正在 Spark 如日中天高速發(fā)展的時候，2016年左右 Flink 開始進入大眾的視野并逐漸廣為人知。為什么呢？原來在人們開始使用 Spark 之后，發(fā)現(xiàn) Spark 雖然支持各種場見場景，但并不是每一種都同樣好用。數(shù)據(jù)流的實時處理就是其中相對較弱的一環(huán)。Flink 憑借更優(yōu)的流處理引擎，同時也支持各種處理場景，成為 Spark 的有力挑戰(zhàn)者。

Spark 和 Flink 是怎么做到這些的，它們之間又有那些異同，下面我們來具體看一下。

Spark 和 Flink 的引擎技術(shù)

這一部分主要著眼于 Spark 和 Flink 引擎的架構(gòu)方面，更看重架構(gòu)帶來的潛力和限制?，F(xiàn)階段的實現(xiàn)成熟度和局限會在后續(xù)生態(tài)部分探討。

數(shù)據(jù)模型和處理模型

要理解 Spark 和 Flink 的 引擎特點，首先從數(shù)據(jù)模型開始。

Spark 的數(shù)據(jù)模型是彈性分布式數(shù)據(jù)集 RDD（Resilient Distributed Datasets）。 比起 MapReduce 的文件模型，RDD是一個更抽象的模型，RDD 靠血緣（lineage） 等方式來保證可恢復(fù)性。很多時候RDD可以實現(xiàn)為分布式共享內(nèi)存或者完全虛擬化（即有的中間結(jié)果 RDD 當下游處理完全在本地時可以直接優(yōu)化省略掉）。這樣可以省掉很多不必要的I/O，是早期 Spark 性能優(yōu)勢的主要原因。

Spark 用 RDD 上的變換（算子）來描述數(shù)據(jù)處理。每個算子（如 map，filter，join）生成一個新的 RDD。所有的算子組成一個有向無環(huán)圖（DAG）。Spark 比較簡單地把邊分為寬依賴和窄依賴。上下游數(shù)據(jù)不需要 shuffle 的即為窄依賴，可以把上下游的算子放在一個階段（stage） 里在本地連續(xù)處理，這時上游的結(jié)果 RDD可以 省略。下圖展示了相關(guān)的基本概念。更詳細的介紹在網(wǎng)上比較容易找到，這里就不花太多篇幅了。

Flink 任務(wù)圖 （來源：https://ci.apache.org/projects/flink/flink-docs-release-1.5/concepts/runtime.html）

在 DAG的執(zhí)行上，Spark 和 Flink 有一個比較顯著的區(qū)別。 在Flink 的流執(zhí)行模式中，一個事件在一個節(jié)點處理完后的輸出就可以發(fā)到下一個節(jié)點立即處理。這樣執(zhí)行引擎并不會引入額外的延遲。與之相應(yīng)的，所有節(jié)點是需要同時運行的。而 Spark 的 micro batch 和一般的batch 執(zhí)行一樣，處理完上游的 stage 得到輸出之后才開始下游的 stage。

在Flink的流執(zhí)行模式中，為了提高效率也可以把多個事件放在一起傳輸或者計算。但這完全是執(zhí)行時的優(yōu)化，可以在每個算子獨立決定，也不用像 RDD 等批處理模型中一樣和數(shù)據(jù)集邊界綁定，可以做更加靈活的優(yōu)化同時可以兼顧低延遲需求。

Flink 使用異步的 checkpoint 機制來達到任務(wù)狀態(tài)的可恢復(fù)性，以保證處理的一致性，所以在處理的主流程上可以做到數(shù)據(jù)源和輸出之間數(shù)據(jù)完全不用落盤，達到更高的性能和更低的延遲。

數(shù)據(jù)處理場景

除了批處理之外，Spark 還支持實時數(shù)據(jù)流處理，交互式查詢，和機器學(xué)習(xí)，圖計算等。

(來源： https://databricks.com/spark/about ）

• 實時數(shù)據(jù)流處理和批處理主要區(qū)別就是對低延時的要求。Spark 因為 RDD 是基于內(nèi)存的，可以比較容易切成較小的塊來處理。如果能對這些小塊處理得足夠快，就能達到低延時的效果。

• 交互式查詢場景，如果數(shù)據(jù)能全在內(nèi)存，處理得足夠快的話，就可以支持交互式查詢。

• 機器學(xué)習(xí)和圖計算其實是和前幾種場景不同的 RDD 算子類型。Spark 提供了庫來支持常用的操作，用戶或者第三方庫也可以自己擴展。值得一提的是，Spark 的 RDD 模型和機器學(xué)習(xí)模型訓(xùn)練的迭代計算非常契合，從一開始就在有的場景帶來了非常顯著的性能提升。

從這些可以看出來，比起 Hadoop MapReduce， Spark 本質(zhì)上就是基于內(nèi)存的更快的批處理。然后用足夠快的批處理來實現(xiàn)各種場景。

（來源：https://www.slideshare.net/ParisCarbone/state-management-in-apache-flink-consistent-stateful-distributed-stream-processing）

前面說過，在Flink 中，如果輸入數(shù)據(jù)流是有邊界的，就自然達到了批處理的效果。這樣流和批的區(qū)別完全是邏輯上的，和處理實現(xiàn)獨立，用戶需要實現(xiàn)的邏輯也完全一樣，應(yīng)該是更干凈的一種抽象。后續(xù)會在深入對比流計算方面的時候做更深入的討論。

Flink 也提供了庫來支持機器學(xué)習(xí)，圖計算等場景。從這方面來說和 Spark 沒有太大區(qū)別。

一個有意思的事情是用 Flink 的底層 API 可以支持只用 Flink集群實現(xiàn)一些數(shù)據(jù)驅(qū)動的分布式服務(wù)。有一些公司用 Flink集群實現(xiàn)了社交網(wǎng)絡(luò)，網(wǎng)絡(luò)爬蟲等服務(wù)。這個也體現(xiàn)了 Flink 作為計算引擎的通用性，并得益于 Flink 內(nèi)置的靈活的狀態(tài)支持。

總的來說，Spark 和 Flink 都瞄準了在一個執(zhí)行引擎上同時支持大多數(shù)數(shù)據(jù)處理場景，也應(yīng)該都能做到這一點。主要區(qū)別就在于因為架構(gòu)本身的局限在一些場景會受到限制。比較突出的地方就是 Spark Streaming 的 micro batch 執(zhí)行模式。Spark 社區(qū)應(yīng)該也意識到了這一點，最近在持續(xù)執(zhí)行模式（continuous processing）方面開始發(fā)力。 具體情況會在后面介紹。

有狀態(tài)處理 （Stateful Processing）

Flink 還有一個非常獨特的地方是在引擎中引入了托管狀態(tài)（managed state）。要理解托管狀態(tài)，首先要從有狀態(tài)處理說起。如果處理一個事件（或一條數(shù)據(jù)）的結(jié)果只跟事件本身的內(nèi)容有關(guān)，稱為無狀態(tài)處理；反之結(jié)果還和之前處理過的事件有關(guān)，稱為有狀態(tài)處理。稍微復(fù)雜一點的數(shù)據(jù)處理，比如說基本的聚合，都是有狀態(tài)處理。Flink 很早就認為沒有好的狀態(tài)支持是做不好留處理的，因此引入了 managed state 并提供了 API接口。

Spark 1.6 時的API狀態(tài)

Spark 的初衷之一就是用統(tǒng)一的編程模型來解決用戶的各種需求。在這方面一直很下功夫。最初基于 RDD 的 API 就可以做各種類型的數(shù)據(jù)處理。后來為了簡化用戶開發(fā)，逐漸推出了更高層的DataFrame（在 RDD 中加了列變成結(jié)構(gòu)化數(shù)據(jù)）和 Datasets（在 DataFrame 的列上加了類型），并在Spark 2.0 中做了整合（DataFrame = DataSet[Row]）。Spark SQL 的支持也比較早就引入了。在加上各個處理類型API 的不斷改進，比如 Structured Streaming 以及和機器學(xué)習(xí)深度學(xué)習(xí)的交互，到了今天Spark 的 API 可以說是非常好用的，也是 Spark 最強的方面之一。

Spark 2.0 API （來源：https://databricks.com/blog/2016/07/14/a-tale-of-three-apache-spark-apis-rdds-dataframes-and-datasets.html）

Flink 的API也有類似的目標和發(fā)展路線。Flink 和 Spark 的核心 API 可以說是可以基本對應(yīng)的。今天Spark API 總體上更完備一下，比如說最近一兩年大力投入的和機器學(xué)習(xí)深度學(xué)習(xí)的整合方面。Flink 在流處理相關(guān)的方面還是領(lǐng)先一些，比如對 watermark，window，trigger 的各種支持。

Flink API （來源：https://ci.apache.org/projects/flink/flink-docs-release-1.5/concepts/programming-model.html）

小結(jié)

Spark 和 Flink 都是通用的能夠支持超大規(guī)模數(shù)據(jù)處理，支持各種處理類型的計算引擎。兩個系統(tǒng)都有很多值得探討的方面在這里沒有觸及，比如 SQL 的優(yōu)化，和機器學(xué)習(xí)的集成等等。這里主要是試圖從最基本的架構(gòu)和設(shè)計方面來比較一下兩個系統(tǒng)。因為上層的功能在一定程度上是可以互相借鑒的，有足夠的投入應(yīng)該都能做好。而基本的設(shè)計改變起來會傷筋動骨，更困難一些。

Spark 和 Flink 的不同執(zhí)行模型帶來的最大的區(qū)別應(yīng)該還是在對流計算的支持上。最開始的 Spark Streaming 對流計算想得過于簡單，對復(fù)雜一點的計算用起來會有不少問題。從 Spark 2.0 開始引入的 Structured Streaming 重新整理了流計算的語義，支持按事件時間處理和端到端的一致性。雖然在功能上還有不少限制，比之前已經(jīng)有了長足的進步。不過 micro batch 執(zhí)行方式帶來的問題還是存在，特別在規(guī)模上去以后性能問題會比較突出。最近 Spark 受一些應(yīng)用場景的推動，也開始開發(fā)持續(xù)執(zhí)行模式。2.3里的實驗性發(fā)布還只支持簡單的 map 類的操作。
Spark 持續(xù)執(zhí)行模式狀態(tài)（來源：https://www.slideshare.net/databricks/continuous-processing-in-structured-streaming-with-jose-torres）

從最近 Spark+AI Summit 大會上的介紹來看（下圖），會發(fā)展成一個和 Flink 的流處理模式比較相似的執(zhí)行引擎。不過從下圖來看，主要的功能都還在開發(fā)中或者待開發(fā)。對將來能做到什么程度，和 Spark 原來的 batch 執(zhí)行引擎怎么結(jié)合，我們拭目以待。