这是彭文华的第91篇原创
问:数据工程师最期望数据怎么来?
答:按顺序来。
MapReduce当初能用起来,就是因为Map阶段对所有数据都进行排序了,后面的Reduce阶段就可以直接用排序好的数据了。
批处理的时候因为数据已经落地了,咱可以慢慢排序。但是流式数据都是一条一条过来的,这个时候数据到达的时间和出发时的顺序不一致会导致非常多的问题,这该咋整呢?
Sparkstreaming对乱序支持很差,因为它其实是“微批”,不是真正的流。加州伯克利大学AMP实验室设计Spark的时候,想的就是弄一个更快的计算引擎,压根就没打算做成来一条处理一条的流式数据处理。所以对于一些乱序数据根本就不太关心,所以导致Sparkstreaming不能或者不太能支持乱序数据的处理。
但是Flink不行啊,数据一条一条的过来,然后进行窗口处理,乱序会导致各种统计问题,这就得必须解决了。
什么是乱序
一条数据在Flink里,有三个时间:
Event Time:事件产生的时间;
Ingestion Time:事件进入Flink的时间;
Window Processing Time:事件被处理的时间。
</