Apache Storm与Apache Spark [对比]

随着实时数据的增加,对实时数据流的需求也在增长。更不用说,流技术正在引领大数据世界。使用更新的实时流媒体平台,用户选择一个平台变得很复杂。Apache Storm和Spark是该列表中最流行的两种实时技术。

让我们根据它们的功能比较Apache Storm和Spark,并帮助用户做出选择。本文的目的是Apache Storm Vs与Apache Spark无关,不是要对两者进行判断,而是要研究两者之间的异同。

要了解Spark Vs Storm,让我们首先了解两者的基础!

Apache Storm是一个开源,容错,可扩展的实时流处理计算系统。它是实时分布式数据处理的框架。它着重于事件处理或流处理。Storm实现了一种容错机制来执行计算或调度事件的多个计算。Apache Storm基于流和元组。

Apache Spark是用于集群计算的闪电般的快速大数据技术框架。它旨在对大型数据集进行快速计算。它是用于分布式处理的引擎,但没有内置的分布式存储系统和资源管理器。需要插入自己选择的存储系统和集群资源管理器。

Apache YARN或Mesos可用于群集管理器,而Google Cloud Storage,Microsoft Azure,HDFS(Hadoop分布式文件系统)和Amazon S3可用于资源管理器。

在这里,我们将解释实时处理工具(例如Apache Spark和Apache Storm)之间在功能方面的区别。让我们逐一查看每个功能,以比较Apache Storm与Apache Spark。这将帮助我们学习并决定根据该特定功能采用哪种更好的方法。

  • Storm: Apache Storm拥有用于通过核心Storm层进行流处理的真正流模型。
  • Spark: Apache Spark Streaming充当 批处理的包装器。
  • Storm: Apache Storm提供了各种各样的基元,它们按流间隔(功能,过滤器)执行元组级别的处理。在流中,可以通过语义组对信息消息进行聚合,例如,左流,内部连接(默认情况下),流中的右连接由Apache Storm支持。
  • Spark:在Apache Spark中,有两种流操作符,例如输出操作符和流转换操作符。输出运算符用于在外部系统上写信息,流转换运算符用于将DStream转换为另一个。
  • Storm: Apache Storm不提供任何框架来存储任何介入的Bolt输出作为状态。这就是每个应用程序需要在需要时自行为其创建状态的原因。
  • Spark:可以通过UpdateStateByKey更改和维护Apache Spark中的状态。但是不能将可插拔策略应用于外部系统中的状态实现。
  • Storm:可以使用Java,Scala和Clojure创建Storm应用程序。
  • Spark:可以使用Java,Python,Scala和R创建Spark应用程序。
  • Storm: Apache Storm提供了在不同拓扑级别(各种任务,执行程序和工作进程)构建基本并行机制的功能。而且,Storm提供了动态重新平衡,可以减少或增加执行程序和辅助进程的数量,而无需重新启动拓扑或集群。但是,某些主要任务在整个拓扑结构中保持不变。
  • Spark: Spark社区正在致力于为流应用程序开发动态缩放。值得一提的是,Spark流应用程序不支持弹性缩放。接收拓扑在Spark中是静态的,因此无法使用动态分配。一旦StreamingContext启动,就无法修改拓扑。此外,中止接收器将导致拓扑停止。

Apache Spark和Apache Storm框架在相同程度上具有容错能力。

  • Storm:在Apache Storm中,当进程失败时,主管状态将自动重新启动它,因为状态管理由Zookeeper管理。
  • Spark: Apache Spark通过资源管理器(可能是Mesos,YARN或它的独立管理器)设法重新启动工作器。
  • Storm –通过Apache Slider将Storm与YARN集成。滑块本身是YARN的应用程序,负责在YARN群集中部署非YARN应用程序。
  • Spark – Spark流利用Spark框架中的YARN本地集成。因此,每个Spark流应用程序都将转换为Yarn应用程序以进行部署。
  • 风暴 -在工作进程级别,执行程序针对特定拓扑独立运行。它表明拓扑任务之间没有连接,因此在执行时导致隔离另外,执行程序线程只能运行相同元素的任务,以避免不同元素的任务混合在一起。
  • Spark – Spark应用程序作为不同的应用程序在YARN群集上运行,而执行程序在YARN容器中运行。在同一个JVM中无法执行不同的拓扑,因此YARN提供了JVM级别的隔离。YARN还支持容器级别资源约束的组织,从而提供资源级别隔离。
  • Storm: Apache Storm支持三种消息处理模式:
  1. 至少一次
  2. 最多一次
  3. 恰好一次
  • Spark: Apache Spark流仅支持一种消息处理模式,即“至少一次”。
  • StormStorm中有易于使用且有效的API,它们表明拓扑的本质是DAG。Storm元组是动态编写的。仅需注册Kryo序列化程序,即可轻松插入新的元组。通过编写拓扑并在本机集群模式下运行它们来启动它。
  • Spark – Spark由具有实用编程的Java和Scala API组成,这使得拓扑代码有些难以理解。但是,就像这样,API文档和示例可供开发人员轻松使用,这变得容易。
  • StormStorm的安装和部署有些棘手。它仍然依赖Zookeeper集群来与状态,集群和统计信息进行协调。它包含一个功能强大的容错系统,该系统不允许守护程序在一段时间内影响拓扑。
  • Spark – Spark本身是执行Spark Streaming的基本框架。在YARN上维护Spark集群很容易。需要启用检查点以使应用程序驱动程序具有容错能力,这使得Spark依赖于HDFS(即容错存储)。
  • Storm: Apache Storm提供了更好的延迟,几乎没有任何限制。
  • Spark:与Apache Storm相比,Apache Spark提供更高的延迟
  • Storm:在Apache Storm中,流处理和批处理都不能使用相同的代码库。
  • Spark:在Apache Spark中,可以将相同的代码库用于流处理和批处理。

关于Apache Storm Vs和Apache Spark的研究得出的结论是,这两者都提供了它们的应用程序母版和最佳解决方案,以解决转换问题和流式传输。Apache Storm提供了解决实时数据流问题的快速解决方案。Storm只能解决流处理问题。而且,由于资源有限,很难创建Storm应用程序。

但是,行业中始终需要能够解决与流处理,批处理,迭代处理以及交互处理相关的所有问题的通用解决方案。Apache Spark可以解决许多类型的问题。这就是为什么技术专业人员和开发人员对Spark有巨大需求的原因。

上一篇: 2019最流行的女生微信名
下一篇: surface pro 4如何恢复出厂设置

欢迎扫描关注我们的微信公众平台!

欢迎扫描关注我们的微信公众平台!