批流理念不同
spark準確的說是批處理，Spark streaming是微批處理，spark底層都依賴於RDD
flink是流式處理，批處理看做是有限的流處理
SQL
sparksql支持的更好
flink一般，在完善中
機器學習圖計算等
spark有mllib和graphx等模塊
flink比較薄弱
任務
spark，driver管理，Executor執行，通過RDD分區數和shuffle劃分stage和task，shuffle過程會有寫磁盤
flink，通過JobManager管理，通過TaskManager裏劃分的slot執行，每個算子可設置並行度
流式計算部分Flink有以下優點
- 豐富的時間語義，支持 Event Time
- 良好的亂序數據處理能力
- 高度靈活的窗口，Flink 支持滾動窗口，滑動窗口，統計窗口，session 窗口，以及數據驅動的窗口
- exactly-once 語義
- 帶反壓的連續流模型，Flink streaming 在運行時有着天然的流控：慢的數據 sink 節點會反壓（backpressure）快的數據源（sources）
- 完善的容錯機制
- 批流api統一，且Api設計合理功能強大
- 完善的狀態編程
- 內存管理，Flink在 JVM 中實現了自己的內存管理。
總結
從成熟度來說spark生態更完善，flink比較新。如果是離線hive分析，推薦使用sparksql；機器學習等當然也是使用spark；其它業務，如果公司spark平臺比較是成熟可使用spark，對於低延時如反欺詐等實時場景可以使用flink；如果公司有相對成熟的flink平臺，流式計算使用flink是一個不錯的選擇，我反正是用過flink做實時計算之後就不想在用sparkstreaming和stucture streaming了；