走进大数据 | Apache Spark和Apache Storm的区别

Posted 2021-04-20 ItStar

Apache Spark和Apache Storm的区别是什么？他们各自适用于什么样的应用场景？这是stackoverflow上的一个问题，本文将答案做了简要整理。

原文：http://www.vimsky.com/2017/02/1230.html?utm_source=tuicool&utm_medium=referral

Apache Spark是基于内存的分布式数据分析平台，旨在解决快速批处理分析任务、迭代机器学习任务、交互查询以及图处理任务。其最主要的特点在于，Spark使用了RDD或者说弹性分布式数据集。 RDD非常适合用于计算的流水线式并行操作。RDD的不变性(immutable)保证，使其具有很好的容错能力。如果您感兴趣的是更快地执行Hadoop MapReduce作业，Spark是一个很好的选项（虽然必须考虑内存要求）。Spark相对于hadoop MR来说，除了性能优势之外，还有大量丰富的API，这使得分布式编程更高效。

Spark架构图如下，总体结构非常简洁，没什么需要多说的，这里对spark的几个细节补充解读如下：

• 每个spark应用程序有自己的执行进程，进程以多线程的方式执行同一个应用的不同任务(tasks)。

• 因为不同的spark应用是不同进程，所以无论是在driver端还是executor端，不同用程序都是互相隔离的，在没有集群外存储的情况下，应用之间不能共享数据。

• Spark对底层集群管理器是不可知的。通常能做集群进程管理的容器，都可以管理spark程序。例如Mesos / YARN这样的集群管理也可以用于spark。当前在各大互谅网公司比较常用的就是基于yarn的spark。

• driver端必须在整个应用的生命周期内存在，并且是可寻址（固定在某个机器或者说IP上），因为executor都要跟driver建立连接并通讯。

• 由于是driver端来负责任务的调度(指应用具体操作的输入输出控制，区别于yarn的集群管理)，所以driver端最好跟executor端最好在同一个局域网（比如同一个机房），从而避免远距离通信。实时上driver端即使不做大的返回集合collect的话，如果任务分片(partitions)很多，也会有大量通信开销。

Apache Storm专注于流处理或者一些调用复杂的事件处理。 Storm实现了一种容错方法，用于在事件流入系统时执行计算或流水线化多个计算。人们可以使用Storm在非结构化数据流入系统到期望的格式时对其进行转换。

Storm的架构见下图，简单说明如下：

• Storm也采用Master/Slave体系结构。

• 分布式计算由Nimbus和Supervisor两类服务进程实现。

• Nimbus进程运行在集群的主节点，负责任务的指派和分发。

• Supervisor运行在集群的从节点，负责执行任务的具体部分。

       

Storm和Spark专注于相当不同的应用场景。对比Storm Trident和Spark Streaming，应该是更加公平(apples to apples)的比较。由于Spark的RDD本质上是不可变的，Spark Streaming实现了一种方法，用于在用户定义的时间间隔中“批处理”传入的更新，并将其转换为自己的RDD。 然后Spark通用的并行运算符就可以对这些RDD执行计算。这与Storm处理每个事件不同，Storm是真正的流式处理。

总而言之，这两种技术之间的一个主要区别是Spark执行数据并行计算，而Storm执行任务并行计算。这两种设计都是各自领域内的权衡，想了解更多可以参考下面的链接：

• Data-Parallel computations：http://en.wikipedia.org/wiki/Data_parallelism

• Task-Parallel computations：http://en.wikipedia.org/wiki/Task_parallelism