轉(zhuǎn)載本文需注明出處：微信公眾號(hào)EAWorld，違者必究。

本文介紹了 SparkSQL 和 Flink 對(duì)于批流支持的特性以及批流一體化支持框架的難點(diǎn)。在介紹批流一體化實(shí)現(xiàn)的同時(shí)，重點(diǎn)分析了基于普元 SparkSQL－Flow 框架對(duì)批流支持的一種實(shí)現(xiàn)方式。希望對(duì)大家的工作有所幫助，也希望能對(duì) DatasetFlow 模型作為框架實(shí)現(xiàn)提供一些啟發(fā)。

目錄：

1．SparkSQL 和 Flink 對(duì)于批流支持的特性介紹

2．基于SparkSQL－Flow的批量分析框架

3．基于SparkStreaming SQL模式的流式處理支持

4．對(duì)于批流一體化ETL的思考

一、SparkSQL 和 Flink

對(duì)于批流支持的特性介紹

關(guān)于流和批的一些爭(zhēng)論

對(duì)于廣泛使用的Spark和新秀Flink，對(duì)于批和流實(shí)現(xiàn)方式上，以及在論壇和一些文章上，對(duì)批和流都有不同看法。批是流的特例 還是 流是批的特例？

1．從批的角度看，流是多個(gè)批次一份一份的進(jìn)行。無(wú)限個(gè)這樣批次構(gòu)成整個(gè)流處理流程，類如SparkStreaming的處理模式；

2．從流的角度看，批是流的有限流處理。它只不過(guò)在某個(gè)時(shí)間點(diǎn)，完成某個(gè)條件停止了而已；類如 Flink 的處理模式；

Spark 和 Flink 都具有流和批處理能力，但是他們的做法是截然相反。Spark Streaming是把流轉(zhuǎn)化成一個(gè)個(gè)小的批來(lái)處理，這種方案的一個(gè)問(wèn)題是我們需要的延遲越低，額外開(kāi)銷占的比例就會(huì)越大，這導(dǎo)致了Spark Streaming很難做到秒級(jí)甚至亞秒級(jí)的延遲。Flink是把批當(dāng)作一種有限的流，這種做法的一個(gè)特點(diǎn)是在流和批共享大部分代碼的同時(shí)還能夠保留批處理特有的一系列的優(yōu)化。數(shù)據(jù)倉(cāng)庫(kù)早期以及大數(shù)據(jù)早期都是從批處理開(kāi)始的，所以很多系統(tǒng)都是從批處理做起，包括Spark。在批處理上Spark有著較深的積累，是一個(gè)比較優(yōu)秀的系統(tǒng)。隨著技術(shù)的發(fā)展，很多原來(lái)只有批處理的業(yè)務(wù)都有了實(shí)時(shí)的需求，流處理將會(huì)變得越來(lái)越重要，甚至成為一些數(shù)據(jù)分析的主要場(chǎng)景，如實(shí)時(shí)管控、預(yù)警相關(guān)。

Spark 和 Flink 的異同點(diǎn)

Flink 早期僅支持流式處理，這幾年的Flink無(wú)論從API組織，還是運(yùn)行方式，還是多樣性都越來(lái)越像Spark。

批和流是數(shù)據(jù)融合的兩種應(yīng)用形態(tài)

傳統(tǒng)的數(shù)據(jù)融合通�；�于批模式。在批的模式下，我們會(huì)通過(guò)一些周期性運(yùn)行的ETL JOB，將數(shù)據(jù)從關(guān)系型數(shù)據(jù)庫(kù)、文件存儲(chǔ)向下游的目標(biāo)數(shù)據(jù)庫(kù)進(jìn)行同步，中間可能有各種類型的轉(zhuǎn)換。

與批模式相比相比， 其最核心的區(qū)別是將批量變?yōu)閷?shí)時(shí)：輸入的數(shù)據(jù)不再是周期性的去獲取，而是源源不斷的來(lái)自于業(yè)務(wù)的日志、消息隊(duì)列的消息。進(jìn)而通過(guò)一個(gè)實(shí)時(shí)計(jì)算引擎，進(jìn)行各種聚合運(yùn)算，產(chǎn)生輸出結(jié)果，并且寫(xiě)入下游。Spark 和 Flink 都能夠支持批和流兩種概念。只不過(guò)像 Flink，其原生就是為流而生，所以在流處理上更自然。

Spark 是有太多包袱，Spark 最早采用 RDD 模型，達(dá)到比 MapReduce 計(jì)算快 100 倍的顯著優(yōu)勢(shì)，對(duì) Hadoop 生態(tài)大幅升級(jí)換代。RDD 彈性數(shù)據(jù)集是分割為固定大小的批數(shù)據(jù)，自動(dòng)容錯(cuò)、位置感知、本地計(jì)算、可調(diào)度可伸縮等眾多重要特性。RDD 提供了豐富的底層 API 對(duì)數(shù)據(jù)集做操作，為持續(xù)降低使用門檻，Spark 社區(qū)開(kāi)始開(kāi)發(fā)高階 API：DataFrame／DataSet，Spark SQL 作為統(tǒng)一的 API，掩蓋了底層，同時(shí)針對(duì)性地做 SQL 邏輯優(yōu)化和物理優(yōu)化。Spark 早期的主要目標(biāo)是替代 MapReduce，MapReduce 是大數(shù)據(jù)批處理的核心模型。