Apache Flink异军突起受欢迎！

大数据产业兴盛期，说到大数据分析引擎，不少人第一时间会想起Spark、Impala等，然而，作为Apache顶级项目的Flink也是不少企业的选择。它究竟有什么优势呢？和Spark相比较，它有什么更可取之处呢？且听大圣众包威客平台逐个道来。

一、宝剑露锋芒——Apache Flink

作为Apache的顶级项目，Flink诚然集众多优点于一身，包括快速、可靠可扩展、完全兼容Hadoop、用简便、体现卓越。

1.快速

快，是Flink的主要特点。利使用基于内存的数据流，并将迭代解决算法深度集成到系统的运行时中，这样，Flink使得系统能够以极快的速度解决数据密集型和迭代任务。

2.可靠、可扩展

得益于Flink包含自己的内存管理组件、序列化框架和类型推理引擎，所以，即便服务器内存被耗尽，Flink也能够很好地运行。

3.完全兼容Hadoop

为什么开发者无需做任何修改，就能利使用Flink运行历史遗留的MapReduce操作？这是由于Flink支持所有Hadoop的所有输入/输出格式和数据类型。另外，Flink包括基于Java和Scala的使用于批量和基于流数据分析的API、优化器和具备自己设置内存管理功能的分布式运行时等，这也是它能够完全兼容Hadoop的起因之一。

4.易使用

让人感到惊喜的是，在无需进行任何配置的情况下，Flink内置的优化器就能够以最高效的方式在各种环境中执行程序。只要要三个命令，Flink即可以运行在Hadoop的新MapReduce框架Yarn上。

5.体现卓越

作为一款优秀的大数据分析引擎，Flink能够利使用Java或者者Scala语言编写出漂亮、类型安全和可为核心的代码，并能够在集群上运行所写程序。这样，使得开发者可以在无需额外解决的情况下用Java和Scala数据类型。

一言以蔽之，ApacheFlink具备分布式MapReduce一类平台的高效性、灵活性和扩展性，以及并行数据库查询优化方案，同时，它还支持批量和基于流的数据分析，而且提供了基于Java和Scala的API。总的来说，Flink是一个高效的、分布式的、基于Java实现的通使用大数据分析引擎。

二、双锋互切磋——Apache Spark与Apache Flink

同样作为流解决引擎，虽然ApacheSpark在大数据解决运使用中已经十分著名，然而，没有一款工具能够解决所有问题。在少量特殊的情况下，ApacheFlink可能很好地弥补了ApacheSpark所未能涵盖的地方。那么，应该选哪一款作为企业的大数据分析引擎呢？我们可以通过两者的异同比较，做出最优选择。

相同之处：

1.两者都能提供刚好一次的保证，即每条记录都仅解决一次；

2.与其余解决系统（比方Storm）相比，它们都能提供一个非常高的吞吐量；

3.两者都能够提供自动内存管理；

4.它们的容错开销都非常低。

不同之处：

事实上，ApacheSpark和ApacheFlink的主要差别，就在于计算模型不同。所以，对于选择ApacheSpark，还是ApacheFlink的问题上，实际上就变成了计算模型的选择。

要理解ApacheSpark与ApacheFlink的相异之处，首先要对如下三种计算模型有一个初步的了解：

批解决——基本上解决静态数据，一次读入大量数据进行解决并生成输出。

微批解决——结合了批解决和连续流操作符，将输入分成多个微批次进行解决，从根本上讲，微批解决是一个“收集而后解决”的计算模型。

连续流操作符——在数据到达时进行解决，没有任何数据收集或者解决推迟。

实际中，Spark采使用的是微批解决模型，而Flink采使用的是基于操作符的连续流模型。随着数据解决能力的提高，企业开始认识到，信息的价值在数据产生的时候最高，他们希望在数据产生时解决数据，这就是说需要一个实时解决系统。当需要实时解决时，可以优先选择ApacheFlink。但也不是所有情况都需要实时系统，这时，ApacheSpark则是更优的选择。比方，在电信行业，统计特定使用户用的带宽，微批解决可能是一个更高效的方案。

至于具体应该怎样选，需要企业在推迟、吞吐量和可靠性等多个方面上去进行权衡。

纵使科技日新月异，然而，适合的，才是最好的。

（更多大数据与商业智能领域干货、或者电子书，可增加个人微信号（dashenghuaer))