两款高性能并行计算引擎Storm和Spark比較

对Spark、Storm以及Spark Streaming引擎的简明扼要、深入浅出的比較，原文发表于踏得网。

Spark基于这种理念。当数据庞大时，把计算过程传递给数据要比把数据传递给计算过程要更富效率。每一个节点存储（或缓存）它的数据集，然后任务被提交给节点。

所以这是把过程传递给数据。这和Hadoop map/reduce很相似。除了积极使用内存来避免I/O操作，以使得迭代算法（前一步计算输出是下一步计算的输入）性能更高。

Shark仅仅是一个基于Spark的查询引擎（支持ad-hoc暂时性的分析查询）

而Storm的架构和Spark截然相反。

Storm是一个分布式流计算引擎。每一个节点实现一个主要的计算过程，而数据项在互相连接的网络节点中流进流出。和Spark相反，这个是把数据传递给过程。

两个框架都用于处理大量数据的并行计算。

Storm在动态处理大量生成的“小数据块”上要更好（比方在Twitter数据流上实时计算一些汇聚功能或分析）。

Spark工作于现有的数据全集（如Hadoop数据）已经被导入Spark集群，Spark基于in-memory管理能够进行快讯扫描，并最小化迭代算法的全局I/O操作。

只是Spark流模块（Streaming Module）倒是和Storm相相似（都是流计算引擎），虽然并不是全然一样。

Spark流模块先汇聚批量数据然后进行数据块分发（视作不可变数据进行处理）。而Storm是仅仅要接收到数据就实时处理并分发。

不确定哪种方式在数据吞吐量上要具优势，只是Storm计算时间延迟要小。

总结下，Spark和Storm设计相反，而Spark Steaming才和Storm相似。前者有数据平滑窗体（sliding window），而后者须要自己去维护这个窗体。

By Techbrood Co.