Spark和Flink的输出一致性保证及事务

事务

可以称之为一次对数据库进行的操作序列。

特性（ACID）

原子性：指这些操作序列具有原子性，不可分割，要么全部执行成功，要么全部失败。

一致性：
一致性概念的说法很多，有说事务执行前后状态保持正确的，有说完整性体现的，也有说从一个一致性状态变成另一个一致性状态的，也有说是对数据可见性约束的等等。个人感觉还是很含糊，根据维基百科描述并综合一些观点，我的总结如下：
1）、一致性是针对事务执行前后数据的状态而言的。
2）、事务执行前数据处于一个合法有效状态，事务执行后数据也要处于一个合法有效状态。
3）、一致性C是目的，数据库本身不管事务执行的结果是否正确，其它AID三种特性是手段，来确保一致性。

隔离性：在某个事务没有提交之前，其它事务不能看到该事务的中间结果，以进行并发控制。
持久性：事务被提交之后，它对数据库中数据的改变是永久性的。

粒度

大数据计算通常是运用分治法，将庞大计算量分布到多个计算单元上，再对所有计算单元上的数据运用同一套计算逻辑，以达到海量数据处理的目的，这也是大数据处理的优势。可见，其特点是计算逻辑相同，只是每个计算单元分担的数据不同。可将其理解为处理对象上的粗粒度。

事务通常是细粒度的操作，可能是针对某一条数据的更新、查询、插入、删除等，并且一个操作序列可能较多，而且还具有强相关性，比如