流式大數據處理的三種框架：Storm，Spark和Samza

許多分布式計算系統都可以實時或接近實時地處理大數據流。本文將對三種Apache框架分別進行簡單介紹，然后嘗試快速、高度概述其異同。

Apache Storm

在Storm中，先要設計一個用于實時計算的圖狀結構，我們稱之為拓撲（topology）。這個拓撲將會被提交給集群，由集群中的主控節點（master node）分發代碼，將任務分配給工作節點（worker node）執行。一個拓撲中包括spout和bolt兩種角色，其中spout發送消息，負責將數據流以tuple元組的形式發送出去；而bolt則負責轉換這些數據流，在bolt中可以完成計算、過濾等操作，bolt自身也可以隨機將數據發送給其他bolt。由spout發射出的tuple是不可變數組，對應著固定的鍵值對。

?

Apache Spark

Spark Streaming是核心Spark API的一個擴展，它并不會像Storm那樣一次一個地處理數據流，而是在處理前按時間間隔預先將其切分為一段一段的批處理作業。Spark針對持續性數據流的抽象稱為DStream（DiscretizedStream），一個DStream是一個微批處理（micro-batching）的RDD（彈性分布式數據集）；而RDD則是一種分布式數據集，能夠以兩種方式并行運作，分別是任意函數和滑動窗口數據的轉換。

?

Apache Samza

Samza處理數據流時，會分別按次處理每條收到的消息。Samza的流單位既不是元組，也不是Dstream，而是一條條消息。在Samza中，數據流被切分開來，每個部分都由一組只讀消息的有序數列構成，而這些消息每條都有一個特定的ID（offset）。該系統還支持批處理，即逐次處理同一個數據流分區的多條消息。Samza的執行與數據流模塊都是可插拔式的，盡管Samza的特色是依賴Hadoop的Yarn（另一種資源調度器）和Apache Kafka。

?

共同之處

以上三種實時計算系統都是開源的分布式系統，具有低延遲、可擴展和容錯性諸多優點，它們的共同特色在于：允許你在運行數據流代碼時，將任務分配到一系列具有容錯能力的計算機上并行運行。此外，它們都提供了簡單的API來簡化底層實現的復雜程度。

三種框架的術語名詞不同，但是其代表的概念十分相似：

?

對比圖

下面表格總結了一些不同之處：

?

數據傳遞形式分為三大類：

?

1. 最多一次（At-most-once）：消息可能會丟失，這通常是最不理想的結果。
2. 最少一次（At-least-once）：消息可能會再次發送（沒有丟失的情況，但是會產生冗余）。在許多用例中已經足夠。
3. 恰好一次（Exactly-once）：每條消息都被發送過一次且僅僅一次（沒有丟失，沒有冗余）。這是最佳情況，盡管很難保證在所有用例中都實現。

?

另一個方面是狀態管理：對狀態的存儲有不同的策略，Spark Streaming將數據寫入分布式文件系統中（例如HDFS）；Samza使用嵌入式鍵值存儲；而在Storm中，或者將狀態管理滾動至應用層面，或者使用更高層面的抽象Trident。

用例

這三種框架在處理連續性的大量實時數據時的表現均出色而高效，那么使用哪一種呢？選擇時并沒有什么硬性規定，最多就是幾個指導方針。

如果你想要的是一個允許增量計算的高速事件處理系統，Storm會是最佳選擇。它可以應對你在客戶端等待結果的同時，進一步進行分布式計算的需求，使用開箱即用的分布式RPC（DRPC）就可以了。最后但同樣重要的原因：Storm使用Apache Thrift，你可以用任何編程語言來編寫拓撲結構。如果你需要狀態持續，同時/或者達到恰好一次的傳遞效果，應當看看更高層面的Trdent API，它同時也提供了微批處理的方式。

?

使用Storm的公司有：Twitter，雅虎，Spotify還有The Weather Channel等。

說到微批處理，如果你必須有狀態的計算，恰好一次的遞送，并且不介意高延遲的話，那么可以考慮Spark Streaming，特別如果你還計劃圖形操作、機器學習或者訪問SQL的話，Apache Spark的stack允許你將一些library與數據流相結合（Spark SQL，Mllib，GraphX），它們會提供便捷的一體化編程模型。尤其是數據流算法（例如：K均值流媒體）允許Spark實時決策的促進。

使用Spark的公司有：亞馬遜，雅虎，NASA JPL，eBay還有百度等。

如果你有大量的狀態需要處理，比如每個分區都有許多十億位元組，那么可以選擇Samza。由于Samza將存儲與處理放在同一臺機器上，在保持處理高效的同時，還不會額外載入內存。這種框架提供了靈活的可插拔API：它的默認execution、消息發送還有存儲引擎操作都可以根據你的選擇隨時進行替換。此外，如果你有大量的數據流處理階段，且分別來自不同代碼庫的不同團隊，那么Samza的細顆粒工作特性會尤其適用，因為它們可以在影響最小化的前提下完成增加或移除的工作。

使用Samza的公司有：LinkedIn，Intuit，Metamarkets，Quantiply，Fortscale等。

結論

本文中我們只對這三種Apache框架進行了簡單的了解，并未覆蓋到這些框架中大量的功能與更多細微的差異。同時，文中這三種框架對比也是受到限制的，因為這些框架都在一直不斷的發展，這一點是我們應當牢記的。