流处理与批处理框架
· 阅读需 3 分钟
为什么需要这样的框架?
- 以低延迟处理高吞吐量。
- 分布式系统中的容错能力。
- 通用抽象以满足多变的业务需求。
- 适用于有界数据集(批处理)和无界数据集(流处理)。
批处理/流处理的简史
- Hadoop 和 MapReduce。Google 使批处理在分布式系统中变得简单,如 MR
result = pairs.map((pair) => (morePairs)).reduce(somePairs => lessPairs)
。 - Apache Storm 和 DAG 拓扑。MR 无法有效表达迭代算法。因此,Nathan Marz 将流处理抽象为喷口和螺栓的图。
- Spark 内存计算。Reynold Xin 表示,Spark 使用 10 倍更少的机器 以 3 倍更快 的速度对相同数据进行排序。
- 基于 Millwheel 和 FlumeJava 的 Google Dataflow。Google 支持批处理和流处理计算,使用窗口 API。
等等……但为什么 Flink 正在获得越来越多的关注?
- 它快速采用了 ==Google Dataflow==/Beam 编程模型。
- 它对 Chandy-Lamport 检查点的高效实现。
如何?
架构选择
为了用商品机器满足上述需求,流处理框架在这些架构中使用分布式系统……
- 主从(集中式):apache storm 与 zookeeper,apache samza 与 YARN。
- P2P(去中心化):apache s4。
特性
- DAG 拓扑用于迭代处理。例如,Spark 中的 GraphX,Apache Storm 中的拓扑,Flink 中的数据流 API。
- 交付保证。如何保证从节点到节点的数据交付?至少一次 / 至多一次 / 精确一次。
- 容错能力。使用 冷/热备用、检查点或主动-主动。
- 无界数据集的窗口 API。例如,Apache Flink 中的流窗口。Spark 窗口函数。Apache Beam 中的窗口处理。
比较
框架 | Storm | Storm-trident | Spark | Flink |
---|---|---|---|---|
模型 |