大数据计算引擎对比：Hadoop vs Spark vs Flink

Hadoop学习可以说是大数据学习当中的重难点，很多同学都在Hadoop的学习当中存在各种各样的疑问。很多同学都问过这样一个问题，针对于大数据处理，有Hadoop、Spark、Flink等，这三者有何不同，下面就为大家分享Hadoop、Spark和Flink之间的比较。

总体来说，Hadoop，Spark和Flink在数据处理上各有其优势。Hadoop对大批量数据的处理很有一套，但是由于是离线离线，所以输出结果会产生延迟；Spark作为后来者，针对Hadoop离线处理产生数据延迟这一点进行补充，开始了基于内存计算的实时处理；而Flink，则是在数据的流处理和批处理上进一步进行补足。

Hadoop权威指南

Hadoop vs Spark vs Flink–流引擎

Hadoop完成数据处理任务，主要通过MapReduce，MapReduce的核心原理是批处理，将大量数据集进行并行处理，并产生结果。

Spark当中，Spark Streaming则是以微批处理数据流，每个批次包含在该批次期间到达的事件的集合，但是在较大规模的数据处理上就会显得吃力。

Flink可以说是真正的流引擎，它使用流来处理工作负载：流，SQL，微批处理和批处理。

Hadoop vs Spark vs Flink–数据流

Hadoop的MapReduce，在进行数据计算时，是一个承前启后的阶段链，使用上一阶段的输出向前发展，并为下一阶段产生输入。

Spark，尽管机器学习算法是循环数据流，但Spark将其表示为（DAG）直接非循环图或有向无环图。

Flink作为流引擎，在运行时支持受控循环依赖图，所以在后续的机器学习算法上还有更大的空间。

Hadoop vs Spark vs Flink–计算模型

Hadoop的MapReduce，计算模型遵从批处理原则，对于静态数据进行批量处理，一次性输入，一次性输出。

Spark则采用的是微批处理，先收集再处理，所以其实算不上真正意义上的没有延迟，只是相对于MapReduce，减少了大部分的延迟时间。

Flink采用连续流式流传输模型，实时对数据进行处理，而不会在收集数据或处理数据时出现任何延迟，可以说是实现了真正意义上的实时在线处理数据。

以上就是今天关于Hadoop，Spark和Flink之间的比较分享。看完我们会发现，在大数据处理当中，这些计算框架各自有擅长的地方，也各有不足之处，结合起来使用才能真正实现对大数据处理需求的更好满足。