分布式流处理是对无边界数据集进行连续不断的处理、聚合和分析。
它跟MapReduce一样是一种通用计算，但我们期望延迟在毫秒或者秒级别。
这类系统一般采用有向无环图（DAG）。
DAG是任务链的图形化表示，我们用它来描述流处理作业的拓扑。
如下图，数据从sources流经处理任务链到sinks。
单机可以运行DAG，但本篇文章主要聚焦在多台机器上运行DAG的情况。
关注点当选择不同的流处理系统时，有以下几点需要注意的：•运行时和编程模型：平台框架提供的编程模型决定了许多特色功能，编程模型要足够处理各种应用场景。
这是一个相当重要的点，后续会继续。
•函数式原语：流处理平台应该能提供丰富的功能函数，比如，map或者filter这类易扩展、处理单条信息的函数；处理多条信息的函数aggregation；跨数据流、不易扩展的操作join。
•状态管理：大部分应用都需要保持状态处理的逻辑。
流处理平台应该提供存储、访问和更新状态信息。
•消息传输保障：消息传输保障一般有三种：at most once，at least once和exactly once。
At most once的消息传输机制是每条消息传输零次或者一次，即消息可能会丢失；A t least once意味着每条消息会进行多次传输尝试，至少一次成功，即消息传输可能重复但不会丢失；Exactly once的消息传输机制是每条消息有且只有一次，即消息传输既不会丢失也不会重复。
•容错：流处理框架中的失败会发生在各个层次，比如，网络部分，磁盘崩溃或者节点宕机等。
流处理框架应该具备从所有这种失败中恢复，并从上一个成功的状态（无脏数据）重新消费。
•性能：延迟时间（Latency），吞吐量（Throughput）和扩展性（Scalability）是流处理应用中极其重要的指标。
平台的成熟度和接受度：成熟的流处理框架可以提供潜在的支持，可用的库，甚至开发问答帮助。
选择正确的平台会在这方面提供很大的帮助。
运行时和编程模型运行时和编程模型是一个系统最重要的特质，因为它们定义了表达方式、可能的操作和将来的局限性。
因此，运行时和编程模型决定了系统的能力和适用场景。
实现流处理系统有两种完全不同的方式：一种是称作原生流处理，意味着所有输入的记录一旦到达即会一个接着一个进行处理。
第二种称为微批处理。
把输入的数据按照某种预先定义的时间间隔（典型的是几秒钟）分成短小的批量数据，流经流处理系统。
两种方法都有其先天的优势和不足。
首先以原生流处理开始，原生流处理的优势在于它的表达方式。
数据一旦到达立即处理，这些系统的延迟性远比其它微批处理要好。
除了延迟性外，原生流处理的状态操作也容易实现，后续将详细讲解。
一般原生流处理系统为了达到低延迟和容错性会花费比较大的成本，因为它需要考虑每条记录。
原生流处理的负载均衡也是个问题。
比如，我们处理的数据按key分区，如果分区的某个key是资源密集型，那这个分区很容易成为作业的瓶颈。
接下来看下微批处理。
将流式计算分解成一系列短小的批处理作业，也不可避免的减弱系统的表达力。
像状态管理或者join等操作的实现会变的困难，因为微批处理系统必须操作整个批量数据。
并且，batch interval会连接两个不易连接的事情：基础属性和业务逻辑。
相反地，微批处理系统的容错性和负载均衡实现起来非常简单，因为微批处理系统仅发送每批数据到一个worker节点上，如果一些数据出错那就使用其它副本。
微批处理系统很容易建立在原生流处理系统之上。
编程模型一般分为组合式和声明式。
组合式编程提供基本的构建模块，它们必须紧密结合来创建拓扑。
新的组件经常以接口的方式完成。
相对应地，声明式API操作是定义的高阶函数。
它允许我们用抽象类型和方法来写函数代码，并且系统创建拓扑和优化拓扑。
声明式API经常也提供更多高级的操作（比如，窗口函数或者状态管理）。
后面很快会给出样例代码。
主流流处理系统有一系列各种实现的流处理框架，不能一一列举，这里仅选出主流的流处理解决方案，并且支持Scala API。
因此，我们将详细介绍Apache Storm，Trident，Spark Streaming，Samza和Apache Flink。
前面选择讲述的虽然都是流处理系统，但它们实现的方法包含了各种不同的挑战。
这里暂时不讲商业的系统，比如Google MillWheel或者Amazon Kinesis，也不会涉及很少使用的Intel GearPump或者Apache Apex。
Apache Storm最开始是由Nathan Marz和他的团队于2010年在数据分析公司BackType 开发的，后来BackType公司被Twitter收购，接着Twitter开源Storm并在2014年成为Apache顶级项目。
毋庸置疑，Storm成为大规模流数据处理的先锋，并逐渐成为工业标准。
Storm是原生的流处理系统，提供low-level的API。
Storm使用Thrift来定义topology和支持多语言协议，使得我们可以使用大部分编程语言开发，Scala自然包括在内。
Trident是对Storm的一个更高层次的抽象，Trident最大的特点以batch的形式进行流处理。
Trident简化topology构建过程，增加了窗口操作、聚合操作或者状态管理等高级操作，这些在Storm中并不支持。
相对应于Storm的At most once流传输机制，Trident提供了Exactly once传输机制。
Trident支持Java，Clojure和Scala。
当前Spark是非常受欢迎的批处理框架，包含Spark SQL，MLlib和Spark Streaming。
Spark的运行时是建立在批处理之上，因此后续加入的Spark Streaming也依赖于批处理，实现了微批处理。
接收器把输入数据流分成短小批处理，并以类似Spark作业的方式处理微批处理。
Spark Streaming提供高级声明式API（支持Scala，Java和Python）。
Samza最开始是专为LinkedIn公司开发的流处理解决方案，并和LinkedIn的Kafka一起贡献给社区，现已成为基础设施的关键部分。
Samza的构建严重依赖于基于log的Kafka，两者紧密耦合。
Samza提供组合式API，当然也支持Scala。
最后来介绍Apache Flink。
Flink是个相当早的项目，开始于2008年，但只在最近才得到注意。
Flink是原生的流处理系统，提供high level的API。
Flink也提供API来像Spark一样进行批处理，但两者处理的基础是完全不同的。
Flink把批处理当作流处理中的一种特殊情况。
在Flink中，所有的数据都看作流，是一种很好的抽象，因为这更接近于现实世界。
快速的介绍流处理系统之后，让我们以下面的表格来更好清晰的展示它们之间的不同：Word CountWordcount之于流处理框架学习，就好比hello world之于编程语言学习。
它能很好的展示各流处理框架的不同之处，让我们从Storm开始看看如何实现Wordcount：TopologyBuilder builder = new TopologyBuilder();builder.setSpout("spout", new RandomSentenceSpout(), 5);builder.setBolt("split", new Split(), 8).shuffleGrouping("spout");builder.setBolt("count", new WordCount(), 12).fieldsGrouping("split", new Fields("word")); ...Map<String, Integer> counts = new HashMap<String, Integer>();public void execute(Tuple tuple, BasicOutputCollector collector) {String word = tuple.getString(0);Integer count = counts.containsKey(word) ? counts.get(word) + 1 : 1;counts.put(word, count);collector.emit(new Values(word, count));}首先，定义topology。
第二行代码定义一个spout，作为数据源。
然后是一个处理组件bolt，分割文本为单词。
接着，定义另一个bolt来计算单词数（第四行代码）。
也可以看到魔数5，8和12，这些是并行度，定义集群每个组件执行的独立线程数。
第八行到十五行是实际的WordCount bolt实现。
因为Storm不支持内建的状态管理，所有这里定义了一个局部状态。
按之前描述，Trident是对Storm的一个更高层次的抽象，Trident最大的特点以batch 的形式进行流处理。
除了其它优势，Trident提供了状态管理，这对wordcount实现非常有用。
public static StormTopology buildTopology(LocalDRPC drpc) {FixedBatchSpout spout = ...TridentTopology topology = new TridentTopology();TridentState wordCounts = topology.newStream("spout1", spout).each(new Fields("sentence"),new Split(), new Fields("word")).groupBy(new Fields("word")).persistentAggregate(new MemoryMapState.Factory(),new Count(), new Fields("count"));...}如你所见，上面代码使用higher level操作，比如each（第七行代码）和groupby（第八行代码）。
并且使用Trident管理状态来存储单词数（第九行代码）。
下面是时候祭出提供声明式API的Apache Spark。
记住，相对于前面的例子，这些代码相当简单，几乎没有冗余代码。
