Kafka Streams vs Flink：别再纠结了，选错不是技术问题，是场景没想清楚

我是 Echo_Wish。
说实话，这几年我被问得最多的一个问题之一就是：

👉 “哥，Kafka Streams 和 Flink 到底该选哪个？”

每次听到这个问题，我心里都会默默回一句：

这俩不是对手，是性格完全不一样的两个人。

你非要让一个居家暖男去打职业拳击，或者让一个综合格斗选手天天在厨房切菜，那不出事才怪。

今天这篇文章，我不想做那种“参数对比表 + 官方文档复读机”，而是从真实工程视角出发，聊聊它们各自擅长什么、坑在哪、什么时候用会很爽，什么时候用会后悔。

一、先一句话说结论（给忙人看的）

Kafka Streams：

• 小而美
• 写在业务代码里
• 低运维成本
• 非常适合“流式逻辑就是业务逻辑”的场景

Flink：

• 重装上阵
• 专业流计算引擎
• 状态、时间、复杂计算无敌
• 适合“数据处理本身就是核心系统”的场景

如果你现在还没概念，别急，下面慢慢拆。

二、Kafka Streams：写业务代码，顺手把流处理干了

1️⃣ Kafka Streams 的本质是什么？

一句人话版解释：

Kafka Streams = 写 Java 程序时，顺便把 Kafka 当数据库用。

它不是一个“平台”，也不是一个“集群产品”，而是一个 Java Library。

没有 JobManager
没有 TaskManager
没有 Yarn / K8s 强依赖

你写个 main 方法，它就能跑。

2️⃣ 一个最典型的 Kafka Streams 代码长这样

Properties props = new Properties();
props.put(StreamsConfig.APPLICATION_ID_CONFIG, "wordcount-app");
props.put(StreamsConfig.BOOTSTRAP_SERVERS_CONFIG, "localhost:9092");

StreamsBuilder builder = new StreamsBuilder();

KStream<String, String> source = builder.stream("input-topic");

source
    .flatMapValues(value -> Arrays.asList(value.toLowerCase().split(" ")))
    .groupBy((key, word) -> word)
    .count()
    .toStream()
    .to("output-topic");

KafkaStreams streams = new KafkaStreams(builder.build(), props);
streams.start();

你看这代码，有没有一种感觉：

“这不就是我平时写业务逻辑吗？”

没错，这就是 Kafka Streams 最大的魅力：

• 没有“作业提交”的概念
• 没有“平台依赖感”
• 就是代码 = 逻辑 = 服务

3️⃣ Kafka Streams 适合什么场景？

我给你几个非常真实的使用场景：

✅ 场景一：事件驱动的业务系统

比如：

• 订单状态流转
• 用户行为实时聚合
• 风控规则实时判断

这些逻辑往往：

• 强业务耦合
• 逻辑复杂但数据规模不算天文
• 更关注“稳定 + 可维护”

Kafka Streams 非常合适。

✅ 场景二：你不想养一个“流计算平台”

说句大实话：

很多公司根本不需要 Flink 集群。

你就三五个流任务，却要：

• 运维一套 Flink
• 管状态
• 管 checkpoint
• 管升级

Kafka Streams 一个 Jar 包解决。

4️⃣ Kafka Streams 的短板（说点实在的）

它也不是万能的，我踩过坑：

• ❌ 事件时间 & Watermark 能力弱
• ❌ 复杂 Window / Join 写起来很别扭
• ❌ 状态规模一大，RocksDB 调优能把你搞崩

一句话总结：

Kafka Streams：能用，但别指望它像 Flink 那样优雅地“玩时间”。

三、Flink：这是专业选手，不是来陪你写业务的

1️⃣ Flink 是什么？

说句不太严谨但很形象的话：

Flink = 实时版的 Spark + 状态机 + 时间引擎。

它天生就是为 “复杂、长期运行、状态巨大” 的流计算而生的。

2️⃣ 一个 Flink 流处理代码，通常是这样的

StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

DataStream<String> source = env.fromSource(
    KafkaSource.<String>builder()
        .setBootstrapServers("localhost:9092")
        .setTopics("input-topic")
        .setValueOnlyDeserializer(new SimpleStringSchema())
        .build(),
    WatermarkStrategy.noWatermarks(),
    "Kafka Source"
);

source
    .flatMap(new Tokenizer())
    .keyBy(value -> value.word)
    .window(TumblingEventTimeWindows.of(Time.minutes(1)))
    .sum("count")
    .print();

env.execute("Flink WordCount");

你会明显感觉到：

• 有“作业”的概念
• 有“执行环境”的概念
• 有“时间语义”的概念

这是数据系统的语言，不是业务系统的语言。

3️⃣ Flink 真正厉害的地方

我只说三个点，都是 Kafka Streams 很难打的：

🔥 1. 事件时间处理

• Watermark
• Late data
• 精准窗口

如果你关心 “业务时间而不是处理时间”，Flink 几乎是唯一答案。

🔥 2. 超大状态

• 百 GB / TB 级状态
• 后端状态抽象
• 增量 Checkpoint

Kafka Streams 能跑，但你会越来越不安；Flink 是为这个而生的。

🔥 3. SQL + CDC + 湖仓一体

今天的 Flink，已经不是“写代码”的工具了：

• Flink SQL
• Flink CDC
• 实时写 Iceberg / Hudi

它已经站在 实时数仓 & 实时数据平台 这个高度了。

4️⃣ Flink 的代价（别装没看见）

实话实说：

• ❌ 学习曲线陡
• ❌ 运维复杂
• ❌ 小需求用它，有点“杀鸡用牛刀”

很多团队不是技术不行，是没这个规模，硬上 Flink 反而拖慢交付。

四、我给你的“接地气选型口诀”

一句话记住：

👉 选 Kafka Streams，如果：

• 流处理 = 业务逻辑的一部分
• 你想要 低运维 + 快交付
• Kafka 是你系统的绝对核心

👉 选 Flink，如果：

• 流处理本身就是核心系统
• 对时间、状态、正确性极度敏感
• 你在做 实时数仓 / 实时风控 / 实时指标平台

五、说点我自己的感受（不是文档能告诉你的）

这些年下来，我越来越觉得：

技术选型的本质不是“哪个更牛”，而是“哪个更像你现在的团队”。

• 人少、节奏快、业务压人 👉 Kafka Streams
• 数据规模大、系统生命周期长 👉 Flink

别为了“看起来高级”选 Flink，
也别因为“轻量”硬把 Kafka Streams 用成流计算平台。

六、最后一句话送你

Kafka Streams 是把“流”拉进业务世界；
Flink 是把“业务”推向数据世界。

想清楚你站在哪一边，答案自然就出来了。