Apache Spark 和 Apache Flink 中的“流”是啥意思？

Posted 2023-02-16

【中文标题】Apache Spark 和 Apache Flink 中的“流”是啥意思？

【英文标题】：What does "streaming" mean in Apache Spark and Apache Flink?Apache Spark 和 Apache Flink 中的“流”是什么意思？

【发布时间】：2015-06-30 10:13:02

【问题描述】：

我去Apache Spark Streaming网站的时候看到一句话：

Spark Streaming 使构建可扩展的容错流应用程序变得容易。

而在Apache Flink网站上，有一句话：

Apache Flink 是一个开源平台，用于可扩展的批处理和流数据处理。

streaming application 和 batch data processing、stream data processing 是什么意思？你能举一些具体的例子吗？它们是为传感器数据设计的吗？

【问题讨论】：

很可能，谷歌已经有了答案。

嗨@maasg，实际上我用谷歌搜索了它。但我仍然无法理解他们的意思。我认为，传感器数据也应该是流媒体的一部分。但我不明白为什么我需要“流媒体”的东西。我可以使用任何机器学习库来分析数据。我认为，肯定有比我想象的要多，或者与我想象的完全不同。

流数据是指无限的数据流。批数据是指有限的数据集。如果要持续接收和处理传感器数据，则需要流处理引擎。如果您的传感器数据被捕获了一段时间，您应该使用批处理引擎。

嗨@F***Hueske，非常感谢您的回答！我还有一个问题，如果我有一个非常大的数据集，已经由传感器收集，（我没有收到任何新数据）。是否还需要使用 flink 或 spark 流来分析数据集？

没有。如果您的数据集大小固定，您可以（并且可能应该）使用批处理数据处理器。 Apache Spark 和 Apache Flink 都是很好的批处理系统。

【参考方案1】：

流式数据分析（与“批量”数据分析相反）是指对典型的无限数据项流（通常称为事件）进行连续分析。

流应用的特点

流数据处理应用程序通常具有以下几点特点：

流式应用程序连续运行很长时间，并在事件出现时立即使用和处理。相比之下。批处理应用程序在文件或数据库中收集数据并稍后处理。

流应用程序经常关注结果的延迟。延迟是事件创建与分析应用程序考虑该事件之间的延迟。

由于流是无限的，许多计算不能引用整个流，而是引用流上的“窗口”。窗口是流事件子序列的视图（例如最后 5 分钟）。现实世界窗口统计的一个例子是“过去 3 天的平均股价”。

在流应用程序中，事件的时间通常起着特殊的作用。根据事件的时间顺序来解释事件是很常见的。虽然某些批处理应用程序也可以做到这一点，但这并不是一个核心概念。

流应用示例

流数据处理应用的典型例子有

欺诈检测：应用程序尝试确定交易是否符合之前观察到的行为。如果不是，则该事务可能表明企图滥用。通常是延迟非常关键的应用程序。

异常检测：流应用程序构建它观察到的事件的统计模型。异常值表示异常并可能触发警报。传感器数据可能是人们想要分析异常的事件来源之一。

在线推荐者：如果访问网店的用户没有很多过去的行为信息，那么从她浏览页面和浏览文章时的行为中学习并开始生成一些内容是很有趣的直接给出初步建议。

最新数据仓库：有一些有趣的文章介绍了如何将数据仓库基础架构建模为流式应用程序，其中事件流是对数据库的更改序列，而流式应用程序计算各种仓库作为事件流的专用“聚合视图”。

还有更多...

【讨论】：

赞成，只是一个简单的问题，股票市场价格和其他警报系统是否属于流处理类别，根据您的回答，它们确实有无限数据对吗？