flink和spark都是apache 軟件基金會（ASF）旗下頂級項目，都是通用數據處理平臺。它們可以應用在很多的大數據應用和處理環境。兩者均可在不依賴于其他環境的情況下運行于standalone模式，或是運行在基于hadoop（YARN,HDFS)之上，由于它們均是運行于內存，所以他們表現的都比hadoop要好很多。

flink和spark的比較

數據處理

flink在批處理模式下處理數據，而Fink實時處理流數據?；鸹ㄌ幚頂祿K，稱為RDDS，而FLink可以實時處理行數據之后的行。因此，雖然最小的數據延遲總是在spark上存在，但spark卻不是這樣。

迭代

spark支持批處理中的數據迭代，但弗林克可以通過使用流式架構來對其數據進行迭代迭代。下面的圖像顯示了迭代處理是如何發生的。

內存管理

FLink可以自動適應不同的數據集，但spark需要手動優化和調整其作業到單個數據集。spark也進行手動分區和緩存。因此，期待一些延遲處理。

數據流

FLink在需要時能夠在數據處理上提供中間結果。spark遵循過程編程系統，FLink遵循分布式數據流方法。因此，每當需要中間結果時，廣播變量被用來將預先計算的結果分發給所有的工作者節點。

1、Spark在SQL上的優化，尤其是DataFrame到DataSet其實是借鑒的Flink的。Flink最初一開始對SQL支持得就更好。
2、Spark的cache in memory在Flink中是由框架自己判斷的，而不是用戶來指定的，因為Flink對數據的處理不像Spark以RDD為單位，就是一種細粒度的處理，對內存的規劃更好。
3、Flink原來用Java寫確實很難看，現在也在向Spark靠攏，Scala的支持也越來越好。不管怎么說，二者目前都是在相互吸收。