apachekafka-steams是一个库，它提供了可嵌入的流处理引擎，在java应用程序中易于使用流处理，而不是一个框架。
我发现了一些关于何时使用kafka流的用例，并且与kafka作者提供的apacheflink进行了很好的比较。

首先，术语“合流的Kafka流”在技术上是不正确的。
它被称为Kafka的流api（又名Kafka流）
它是ApacheKafka的一部分，因此被Apache软件基金会“拥有”（而不是汇合）。
有confluent开源和confluent enterprise——confluent的两个产品都利用了ApacheKafka（因此，kafka流）
然而，confluent为ApacheKafka贡献了很多代码，包括kafka流。
关于差异（我只强调了一些主要差异，并参考互联网和文档了解更多详细信息：http://docs.confluent.io/current/streams/index.html 以及http://spark.apache.org/streaming/)
Spark流：
微批处理（逐记录流处理无真实记录）
无亚秒延迟
有限的窗口操作
无事件时间处理
处理框架（难以操作和部署）
apachespark的一部分——数据处理框架
只处理一次
Kafka河
逐记录流处理
毫秒延迟
丰富的窗口操作
流/表二元性
事件时间、摄取时间和处理时间语义
java库（易于运行和部署——它只是一个java应用程序）
ApacheKafka的一部分——流处理平台（即，它同时提供存储和处理）
至少一次加工（恰好一次加工是在制品；cf kip-98和kip-129）
弹性，即动态可伸缩
因此，没有理由同时“结婚”这是一个选择你想用哪一个的问题。
我个人的看法是，spark不是流处理的好解决方案。如果您想使用像kafka streams这样的库或像apache flink、apache storm或apache apex这样的框架（这些都是流处理的好选择），这取决于您的用例（可能还有个人品味），因此无法回答。
kafka流的一个主要区别是，它是一个库，不需要处理集群。而且因为它是apachekafka的一部分，而且如果您已经有了apachekafka，这可能会简化您的总体部署，因为您不需要运行额外的处理集群。

从流处理的Angular 来看，一个pic中的spark流和kstream。

强调了spark流媒体和kstreams的显著优势，使答案简短明了。

spark流媒体相对于kstreams的优势：

很容易在同一个应用程序中集成spark ml模型和图形计算，而无需在应用程序外写入数据，这意味着您将比再次编写和处理kafka要快得多。
将非流源（如文件系统和其他非Kafka源）与同一应用程序中的其他流源连接起来。
使用最常用的sql（structuredstreaming）可以轻松地处理具有架构的消息。
可以用graphx内置库对流数据进行图形分析。
spark应用程序可以部署在现有的yarn或mesos集群上。

kstreams的优势：

用于etl处理和ml模型服务/训练的紧凑库，具有丰富的特性。到目前为止，源和目标都应该是Kafka的主题。
易于实现精确的一次语义。
不需要单独的处理集群。
很容易在docker上部署，因为它是一个普通的java应用程序。

我最近在一个会议上介绍了这个主题。
apache-kafka流或spark流通常用于通过流处理（在数据运动时处理数据）将机器学习模型实时应用于新事件。马蒂亚斯的回答已经讨论了他们的分歧。
另一方面，您首先使用apachesparkmllib（或h2o.ai或xyz）之类的东西来构建分析模型，首先使用历史数据集。
Kafka流也可以用于模型的在线培训。不过，我认为在线培训有各种各样的注意事项。
所有这些都将在我的幻灯片“ApacheKafka流和机器学习/实时流处理的深度学习”中详细讨论。