谈到大数据流计算，就离不开该领域最强大的引擎：Spark 和 Flink，接下来详细对比Spark和Flink的6个方面。
Spark和Flink设计理念区别
1.Spark的技术理念，是使用微批( Micro- batch processing)来模拟流的计算，数据流以时间为单位被切分为一个个批次，通过分布式数据集进行批量处理。
2.Flink是基于事件驱动的，是面向流的处理框架，Flink基于每个事件一行一行地流式处理，是真正的流式计算。
Spark和Flink实时计算区别
1.Spark流处理的实时性还不够，所以无法用在一些对实时性要求很高的流处理场景中。
这是因为 Spark的流处理是基于微批处理，每次接收到一个时间间隔的数据才会去处理，所以天生很难在实时性上有所提升。
2.Flink采用了基于操作符（Operator）的连续流模型，可以做到微秒级别的延迟。
所以，Flink更适合用于实时处理的场景，详细的可以查看：Flink应用场景详解(4大Fink使用场景)。
而Spark最大的特点就是将计算数据、中间结果都存储在内存中，大大减少了IO开销，因而Spark更适合于迭代运算比较多的数据挖掘与机器学习运算。
Spark和Flink编程语言区别
1.Spark采用Scala开发实现，但Spark提供其他语言的 API，比如： Java，Python等等。
2.Flink采用Java开发实现，但Flink也提供了其它语法的API，比如也提供了Scala的API。
Spark和Flink架构方面区别
Spark架构采用了分布式计算中的Master-Slave模型，Master是对应集群中的含有Master进程的节点，Slave是集群中含有Worker进程的节点。
Spark运行架构，如下图所示：
Spark运行架构包括：
- 集群资源管理器（Cluster Manager）；
- 运行作业任务的工作节点（Worker Node）；
- 每个应用的任务控制节点（Driver）；
- 每个工作节点上负责具体任务的执行进程（Executor）；
2.Flink 在运行架构时主要包含：Jobmanager、Taskmanager和Slot，如下图所示：
Flink 的运行时架构中，最重要的就是两大组件：作业管理器（JobManger）和任务管理器（TaskManager）。
1.作业管理器（JobManger）
JobManager 是真正意义上的“管理者”（Master），负责管理调度。
2.任务管理器（TaskManager）
TaskManager 是“工作者”（Worker、Slave），负责执行任务处理数据。
Spark和Flink时间机制区别
1.Spark 支持的时间机制有限，只支持处理时间，如果产生数据堆积的话，误差则更明显。
2.Flink支持三种时间机制：事件时间，注入时间，处理时间，说明Flink在处理乱序大实时数据的时候更有优势。
Spark和Flink应用场景区别
1.Spark 适合于吞吐量比较大的场景，数据量非常大而且逻辑复杂的批数据处理，并且对计算效率有较高要求，比如：用大数据分析来构建推荐系统进行个性化推等。
2.Flink 主要用来处理要求低延时的任务，实时监控，实时报表，比如：阿里双11实时交易额，实时仓库的场景。
以上就是Spark和Flink的详细对比，希望对你选择Spark和Flink有所帮助！
作者简介
陈睿|mikechen，10年+大厂架构经验，BAT资深面试官，就职于阿里巴巴、淘宝、百度等一线互联网大厂。
👇阅读更多mikechen架构文章👇
阿里架构 |双11秒杀 |分布式架构 |负载均衡 |单点登录 |微服务 |云原生 |高并发 |架构师
以上
关注作者「mikechen」公众号，获取更多技术干货！
后台回复【架构】，即可获取《阿里架构师进阶专题全部合集》，后台回复【面试】即可获取《史上最全阿里Java面试题总结》