分布式流處理需求日益增加，包括支付交易、社交網(wǎng)絡(luò)、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(wù)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(wù)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(guān)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(yīng)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(yīng)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(yīng)用都需要保持狀態(tài)處理的邏輯。流處理平臺應(yīng)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(fù)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(fù)。
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(luò)部分，磁盤崩潰或者節(jié)點宕機等。流處理框架應(yīng)該具備從所有這種失敗中恢復(fù)，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(yīng)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(yù)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(chǔ)屬性和業(yè)務(wù)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(yīng)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(yīng)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(chǔ)設(shè)施的關(guān)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(chǔ)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(xué)習，就好比hello world之于編程語言學(xué)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", new Fields("word"));
...
Map counts = new HashMap();
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(shè)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(wù)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(shè)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)闹卑祝瑑H僅只是幾個函數(shù)式調(diào)用，F(xiàn)link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(fù)。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(fù)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(fù)，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(yīng)用開發(fā)者需要處理重復(fù)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(wù)的偏移量，當任務(wù)處理完消息，相應(yīng)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(fù)。但是問題在于：從上次checkpoint中修復(fù)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(fù)。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(fù)。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(yīng)的柵欄（比如，圖中checkpoint n對應(yīng)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，F(xiàn)link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，F(xiàn)link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(yīng)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(yīng)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(fù)。狀態(tài)修復(fù)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(wù)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(guān)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(), new Fields("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(fù)都會占用機器資源。例如，打開容錯恢復(fù)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，F(xiàn)link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(luò)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(yīng)用的序列化。
項目成熟度
當你為應(yīng)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(yīng)用選型是大家都會遇到的問題，一般是根據(jù)應(yīng)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(yīng)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(yīng)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(fù)：確保流處理系統(tǒng)能夠快速恢復(fù)，你可以使用Chaos Monkey或者類似的工具進行測試。快速的恢復(fù)是流處理重要的部分。
Storm：Storm非常適合任務(wù)量小但速度要求高的應(yīng)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(fù)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(shè)計的初衷是為了替代Storm，并在每個單任務(wù)上做了優(yōu)化但同時保留了API。
Spark Streaming：如果你得基礎(chǔ)架構(gòu)中已經(jīng)設(shè)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(yīng)該是你基礎(chǔ)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），F(xiàn)lumeJava（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?，F(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(shè)計流處理方案有幫助。
譯者介紹：俠天，專注于大數(shù)據(jù)、機器學(xué)習和數(shù)學(xué)相關(guān)的內(nèi)容，并有個人公眾號：bigdata_ny分享相關(guān)技術(shù)文章。
**歡迎加入本站公開興趣群
**
軟件開發(fā)技術(shù)群
興趣范圍包括：Java，C/C++，Python，PHP，Ruby，shell等各種語言開發(fā)經(jīng)驗交流，各種框架使用，外包項目機會，學(xué)習、培訓(xùn)、跳槽等交流
QQ群：26931708
Hadoop源代碼研究群
興趣范圍包括：Hadoop源代碼解讀，改進，優(yōu)化，分布式系統(tǒng)場景定制，與Hadoop有關(guān)的各種開源項目，總之就是玩轉(zhuǎn)Hadoop
QQ群：288410967
