流处理(stream)与批处理(batch)讲解

前言

在大数据中，我们通常追求的是最终一致性。其主要发生于实时数仓当中。在实时数仓中，数据以流的方式一直传过来，而对于数据计算的方面，则具有两种方式——流处理和批处理。

而在真正计算时，通常采用流批一体的处理方式。流批一体指的是’'对一批数据进行整体处理"，同时结合了批处理和流处理的优点，实现了实时和批量数据处理的统一。

批处理

在批处理中，通常以记录(事件)数作为边界。

讲解：从某一个事件开始进行计数，达到指定数量(阈值)时，就会将它们进行计算。

缺陷：时效性很难保障。【在实时数仓中，通常不采纳的】

无法保证时效性说明：事件与事件之间通常会有一定的延迟。
若前一个事件是在1小时前到来的，而后一个事件则是在10小时后才到来，此时就很难保证时效性，无法进行【实时】。

流处理

在流处理中，通常以水平线来标记窗口的边界。

专有名词

水位线（watermark）：时间
窗口：固定的时间间隔，通常为3s（3000ms）

过程讲解

以第一个事件(事件本身通常带有时间)进来作为开始的水平线，当达到窗口边界，即结束的水平线时，就会将窗口内的事件进行计算。

常见的问题

场景

在流处理过程中，我们通常会遇到这一问题：一个事件本身就属于窗口A，但来的时候产生了延迟，事件的一部分超出了窗口的范围。此时，我们通常有两种做法。

方法一：允许一定的延迟

当出现上述情况时，我们可以采用延迟2s左右，来将事件包含在内。

注意：窗口依旧是3s，但计算的周期变为了5s。

方法二：侧输出流

当出现上述情况时，我们可以采用侧输出流的方式。

讲解：可以另外开一个管道，将数据向下游走，进入分钟窗口，甚至小时窗口。

注意：秒级窗口和分钟窗口，小时窗口是互相分层，无影响。