Blink开源，Spark3.0，谁才能称霸大数据领域？

2018和2019年是大数据领域蓬勃发展的两年，自2019年伊始，实时流计算技术开始步入普通开发者视线，各大公司都在不遗余力地试用新的流计算框架，实时流计算引擎Spark Streaming、Kafka Streaming、Beam和Flink持续火爆。

最近Spark社区，来自Databricks、NVIDIA、Google以及阿里巴巴的工程师们正在为Apache Spark 3.0添加原生的GPU调度支持，参考（SPARK-24615和SPARK-24579）该方案将填补了Spark在GPU资源的任务调度方面的空白，极大扩展了Spark在深度学习、信号处理的应用场景。

与此同时，2019年1月底，阿里巴巴内部版本Blink正式开源！一石激起千层浪，Blink开源的消息立刻刷爆朋友圈，整个大数据计算领域一直以来由Spark独领风骚，瞬间成为两强争霸的时代。那么未来Spark和Blink的发展会碰撞出什么样的火花？谁会成为大数据实时计算领域最亮的那颗星？

我们接下来看看Spark和Flink各自的优劣和主要区别。

底层机制

Spark的数据模型是弹性分布式数据集 RDD(Resilient Distributed Dattsets)，这个内存数据结构使得spark可以通过固定内存做大批量计算。初期的Spark Streaming是通过将数据流转成批(micro-batches)，即收集一段时间(time-window)内到达的所有数据，并在其上进行常规批处，所以严格意义上，还不能算作流式处理。但是Spark从2.x版本开始推出基于 Continuous Processing Mode的 Structured Streaming，支持按事件时间处理和端到端的一致性，但是在功能上还有一些缺陷，比如对端到端的exactly-once语义的支持。

一个典型的Spark DAG示意图

Flink是统一的流和批处理框架，基本数据模型是数据流，以及事件(Event)的序列，Flink从设计之初秉持了一个观点:批是流的特例。每一条数据都可以出发计算逻辑，那么Flink的流特性已经在延迟方面占得天然优势。

一个典型的Flink workflow示意图

Flink还提供了一个独特的概念叫做有状态的计算，它被用来处理一种情况：数据的处理和之前处理过的数据或者事件有关联。比如，在做聚合操作的时候，一个批次的数据聚合的结果依赖于之前处理过的批次。早期的Spark用户会经常受此类问题所困扰，直到Structured Streaming的出现才得已解决。

Flink从一开始就引入了state的概念来处理这种问题。为状态计算提供了一个通用的解决方案。

周边生态

在大数据领域，任何一个项目的火爆都被离不开完善的技术栈，Spark和Flink都基于对底层数据和计算调度的高度抽象的内核上开发出了批处理，流处理，结构化数据，图数据，机器学习等不同套件，完成对绝大多数数据分析领域的场景的支持，意图统一数据分析领域。

Flink和Spark都是由Scla和Java混合编程实现，Spark的核心逻辑由Scala完成，而Flink的主要核心逻辑由Java完成。在对第三方语言的支持上，Spark支持的更为广泛，Spark几乎完美的支持Scala，Java，Python,R语言编程。

Spark周边生态(图来源于官网)

与此同时，Flink&Spark官方都支持与存储系统如HDFS,S3的集成，资源管理/调度 Yarn，Mesos，K8s等集成，数据库Hbase,Cassandra,消息系统Amazon，Kinesis，Kafka等。

Flink周边生态(图来源于官网)

在最近的Spark+AI峰会上,Databricks公司推出了自己的统一分析平台(Unified Analytics Platform)，目标是使户在一个系统里解决尽可能多的数据需求。Flink的目标和Spark一致，包含AI的统一平台也是Flink的发展方向，从技术上来看，Flink是完全有能力支持对机器学习和深度学习的集成，但目前来看，Flink仍有很长的路要走。

未来趋势

2018年是机器学习和深度学习元年，ML在数据处理领域占比越来越重。Spark和Flink在做好实时计算的同时，谁能把握住这次机会就可以在未来的发展中占得先机。另外随着5G的发展，网络传输不再是瓶颈之时，IOT的爆发式发展也将会是实时计算需求爆发之时，届时Flink在流式计算中的天然优势将发挥的淋漓尽致，Blink的开源和阿里巴巴对Blink的加持无疑 又给Flink未来的发展注入一针强心剂。

总结

Spark和Flink发展至今，基本上已经是实时计算领域的事实标准。两者在易用性和生态系统建设上都投入了大量的资源，是现在和未来一段时间内大数据领域最有有力的竞争者。二者的发展是竞争中伴随着互相促进，在与机器学习集成和统一处理平台的建设上双方各有优劣，谁能尽早补齐短板就会在未来的发展中占得优势。对于普通大数据领域的开发者而言，当下也是最好的时代，可以见证两大数据引擎的蓬勃发展，除了学习别无选择，这何尝不是是一种幸运?

参考目录：

http://datastrophic.io/core-concepts-architecture-and-internals-of-apache-spark

https://databricks.com/spark/about

https://ci.apache.org/projects/flink/flink-docs-stable/release-notes/flink-1.7.html

http://spark.apache.org