Sleep 用例重要模仿用户功课耗时较长的场景，反竽暌钩复杂用户逻辑对框架差别的减弱，比较两个框架的调剂机能。

输入数据和输出数据均与 Identity 雷同。

读入数据后，等待一准时长(1 ms)后在字符串末尾追加时光戳后输出

Windowed Word Count

Windowed Word Count 用例重要模仿窗口统计场景，反竽暌钩两个框架在进行窗口统计时机能的差别。

此外，还用其进行了精确计算场景的测试，反竽暌钩 Flink 正好一次送达的机能。

输工资 JSON 格局，包含 msgId、eventTime 和一个由若干单词构成的句子，单词之间由空格分隔。单条输入数据约 150 B。

读入数据后解析 JSON，然后将句子瓜分为响应悼?船带 eventTime 和 inTime 时伎佳棰给 CountWindow 进行悼?雌数，同时记录一个窗口中最大年夜最小的 eventTime 和 inTime，最后带 outTime 时光戳输出到 Kafka 响应的 Topic。

Spout/Source 及 OutputBolt/Output/Sink 并发度恒为 1，增大年夜并发度时仅增大年夜 JSONParser、CountWindow 的并发度。

因为 Storm 对 window 的支撑较弱，CountWindow 应用一个 HashMap 手动实现，Flink 用了原生的 CountWindow 和响应的 Reduce 函数。

5. 测试结不雅

5.1 Identity 单线程吞吐量

上图中蓝色柱形为单线程 Storm 功课的吞吐，橙色柱形为单线程 Flink 功课的吞吐。

Identity 逻辑下，Storm 单线程吞吐为 8.7 万条/秒，Flink 单线程吞吐可达 35 万条/秒。

当 Kafka Data 的 Partition 数为 1 时，Flink 的吞吐约为 Storm 的 3.2 倍;当其 Partition 数为 8 时，Flink 的吞吐约为 Storm 的 4.6 倍。

由此可以看出，Flink 吞吐约为 Storm 的 3-5 倍。

5.2 Identity 单线程功课延迟

采取 outTime – eventTime 作为延迟，图中蓝色折线为 Storm，橙色折线为 Flink。虚线为 99 线，实线为中位数。

大年夜图中可以看出跟着数据量逐渐增大年夜，Identity 的延迟逐渐增大年夜。个中 99 线的增赶紧度比中位数快，Storm 的 增赶紧度比 Flink 快。

比较折线最右端的数据可以看出，Storm QPS 接近吞吐时延迟中位数约 100 毫秒，99 线约 700 毫秒，Flink 中位数约 50 毫秒，99 线约 300 毫秒。Flink 在满吞吐时的延迟约为 Storm 的一半。

5.3 Sleep 吞吐量

大年夜图中可以看出，Sleep 1 毫秒时，Storm 和 Flink 单线程的吞吐均在 900 条/秒阁下，且跟着并发增大年夜根本呈线性增大年夜。

比较蓝色和橙色的柱形可以发明，此时两个框架的吞吐才能根本一致。

5.4 Sleep 单线程功课延迟(中位数)

依然采取 outTime – eventTime 作为延迟，大年夜图中可以看出，Sleep 1 毫秒时，Flink 的延迟仍低于 Storm。

5.5 Windowed Word Count 单线程吞吐量

单线程履行大年夜小为 10 的计数窗口，吞吐量统计如图。

大年夜图中可以看出，Storm 吞吐约为 1.2 万条/秒，Flink Standalone 约为 4.3 万条/秒。Flink 吞吐依然为 Storm 的 3 倍以上。

5.6 Windowed Word Count Flink At Least>

Identity 和 Sleep 不雅测的都是 outTime – eventTime，因为功课处理时光较短或 Thread.sleep() 精度不高，outTime – inTime 为零或没有比较意义;Windowed Word Count 中可以有效测得 outTime – inTime 的数值，将其与 outTime – eventTime 画在同一张图上，个中 outTime – eventTime 为虚线，outTime – InTime 为实线。

不雅察橙色的两条折线可以发明，Flink 用两种方法统计的延迟都保持在教逑堤度;不雅察两条蓝色的曲线可以发明，Storm 的 outTime – inTime 较低，outTime – eventTime 一向较高，即 inTime 和 eventTime 之间的差值一向较大年夜，可能与 Storm 和 Flink 的数据读入方法有关。

蓝色折线注解 Storm 的延迟随数据量的增大年夜而增大年夜，而橙色折线注解 Flink 的延迟跟着数据量的增大年夜而减小(此处未测至 Flink 吞吐量，接近吞吐时 Flink 延迟依然会上升)。