Apache Beam成功孵化为Apache顶级项目：将统一大数据

1 月 10 日，Apache 软件基金会宣布，Apache Beam 成功孵化，成为该基金会的一个新的顶级项目。

Apache Beam 在2016年1月发布第一个版本，由 Google 捐献给开源社区，凝聚着 Google 研发大数据基础设施的多年经验。

Beam 来源于 Batch(批处理)和 strEAM (流处理)这两个词，意在提供一个统一的编程模型，同时支持批处理和流处理。

Apache Beam 是：

统一的：使用一个编程模型支持批处理和流处理用例。

可移植的：可以在多种执行引擎上执行作业，包括 Apache Apex、Apache Flink、Apache Spark 和 Google Cloud Dataflow 等。可扩展的：支持编写和共享新的 SDK、IO connector 和 transformation 库。

大数据框架有很多：Hadoop, Spark等;对于流数据的处理存在很多技术：简单的事件处理器，流处理器和复杂的事件处理器。在开源社区中存在很多选择，包括Flume，NiFi，Apex，Kafka流，Spark流，Storm，Flink，Samza，Ignite和Beam。

各个平台之间也是互不兼容的，一个平台上写的程序很难移植到另外一个平台，这对开发者来说开发成本比较高。这就催生了Google的新项目Apache Beam，是Google想对大数据开源生态进行的一次大一统。

Google是最早实践大数据的公司，目前大数据的生态很大一部分都要归功于Google最早的几篇论文，这几篇论文造就了目前以Hadoop为开端的大数据繁荣生态。Apache Beam被认为是继MapReduce，GFS和BigQuery等之后，Google在大数据处理领域对开源社区的又一个非常大的贡献。并且由Google开源后，得到了Spark, Flink等社区的大力支持。

Apache Beam的发展历程：

Beam本身不是一个流式处理平台，而是一个统一的编程框架。“Beam可用于各种流式或批处理上，包括ETL，流分析和聚合计算”。解决这个问题的思路包括两个部分：第一，需要一个编程范式，能够统一、规范分布式数据处理的需求。第二，生成的分布式数据处理任务应该能够在各个分布式执行引擎上执行，用户可以自由切换分布式数据处理任务的执行引擎与执行环境。

在Beam中，主要包含两个关键的部分(以下部分引用了解读2016之大数据篇)：

Beam SDK

Beam SDK提供一个统一的编程接口给到上层应用的开发者，开发者不需要了解底层的具体的大数据平台的开发接口是什么，直接通过Beam SDK的接口，就可以开发数据处理的加工流程。Beam SDK会有不同的语言的实现，目前提供Java，python的SDK正在开发过程中，相信未来会有更的的不同的语言的SDK会发布出来。

Beam Pipeline Runner

Beam Pipeline Runner是将用户开发的pipeline翻译成底层的数据平台支持的运行时环境的一层。针对不同的大数据平台，会有不同的Runner。目前Flink, Spark, Apex以及google的 Cloud DataFlow都有支持Beam的Runner。

“Beam已经足够的成熟和稳定，Spotify公司就在用Beam构造自己的大数据pipeline。”

Beam的架构图：

Apache Beam的代码大部分来自于谷歌 Cloud Dataflow SDK，Google内部已经用Dataflow替换掉了MapReduce，“No one at Google uses MapReduce anymore - Cloud Dataflow explained for dummies ”：