引擎:Spark SQL
入口:SparkSession
计算模型:Micro-batch/Continus
延迟:
在 Micro-batch 模式下,每个微批次作为一个job调度单元,官网描述其带来的延迟在 100ms
在 Continus 连续处理模式下,延迟低于1ms
好的架构在于其巧妙的构思,而最终形式又是极其精简的。
编程模型:可将流看做是不断地往一个表上append内容的过程,查询操作相当于对一个触发批次内的静态表的查询。
端到端的exactly-once语义
我们所强调的exactly-once语义都是指同一数据的最终结果只产生一次。这就对系统的容错要求比较高了,即不管中间过程失败几次、源数据重新读取几次,最终的输出只一次。Struct Streaming也提供了exactly-once,但它是结合上游组件(源)流重放功能和幂等输出。所以重点有三个:
1、Struct Streaming的上游数据接入系统必须能够按位置读取(支持从某个偏移点开始读取数据)
2、Struct Streaming本身需要做检查点(checkpointing)或者WAL(write-ahead logs)记住触发期间所处理的数据偏移范围
3、结果输出到外部系统存储时支持幂等输出或者需要Sink系统支持事务(Flink的2CP也是需要Sink系统支持事务)
水印(watermark)
既然表不可能无限扩张,内存中保持的状态肯定需要清理,具体是怎么做的,这里只针对Window操作说明,对于无状态的操作,无需在内存中维持上一job触