数据工程实战课程 · 流处理阶段
Apache Kafka是分布式流处理平台,以高吞吐、低延迟、持久化著称,是现代数据管道的事实标准。
# Kafka模拟引擎
import hashlib, time, random, json
from datetime import datetime
from collections import defaultdict
class Partition:
def __init__(self, id): self.id = id; self.messages = []; self.offset = 0
def append(self, msg): self.messages.append({'offset':self.offset,'message':msg,'timestamp':datetime.now().isoformat()}); self.offset += 1
def read(self, start_offset=0):
return [m for m in self.messages if m['offset'] >= start_offset]
class KafkaTopic:
def __init__(self, name, num_partitions=3):
self.name = name; self.partitions = [Partition(i) for i in range(num_partitions)]
def produce(self, key, value):
pid = int(hashlib.md5(str(key).encode()).hexdigest(),16) % len(self.partitions)
self.partitions[pid].append({'key':key,'value':value})
return pid
def consume(self, group_id, partitions=None):
results = []
for p in (self.partitions if partitions is None else [self.partitions[i] for i in partitions]):
results.extend(p.read())
return results
def stats(self):
return {'partitions':len(self.partitions),'messages':sum(len(p.messages) for p in self.partitions),
'distribution':[len(p.messages) for p in self.partitions]}
class KafkaProducer:
def __init__(self): self.sent = 0
def send(self, topic, key, value): pid = topic.produce(key, value); self.sent += 1; return pid
class KafkaConsumer:
def __init__(self, group_id): self.group_id = group_id; self.offsets = defaultdict(int)
def poll(self, topic):
results = topic.consume(self.group_id)
new = [m for m in results if m['offset'] >= self.offsets[topic.name]]
if new: self.offsets[topic.name] = max(m['offset'] for m in new) + 1
return new
# 测试
topic = KafkaTopic("orders", 3)
producer = KafkaProducer()
for i in range(1000):
producer.send(topic, f"ORD_{i:05d}", {'amount':round(random.uniform(10,5000),2),'region':random.choice(['华东','华南','华北'])})
print(f"Kafka模拟: {topic.stats()}")
print(f"生产者: {producer.sent}条")
consumer1 = KafkaConsumer("group-1")
consumer2 = KafkaConsumer("group-2")
msgs1 = consumer1.poll(topic)
msgs2 = consumer2.poll(topic)
print(f"消费者group-1: {len(msgs1)}条")
print(f"消费者group-2: {len(msgs2)}条(独立消费)")
print("\n分区分布:")
for i, p in enumerate(topic.partitions):
print(f" 分区{i}: {len(p.messages)}条")
print("✅ 验证通过 - Kafka模拟运行正常")
🎁 下一课预告:流批一体!
| 维度 | Flink | Spark Streaming | Kafka Streams |
|---|---|---|---|
| 延迟 | 毫秒级 | 秒级(微批) | 毫秒级 |
| Exactly-Once | 原生支持 | 需配置 | 支持 |
| 状态管理 | 丰富 | 有限 | 本地Store |
| 窗口支持 | 全面 | 全面 | 基本 |
| 部署复杂度 | 高 | 中 | 低 |
在生产环境中,我们经常遇到教科书不会告诉你的问题。以下是常见的实战经验和解决方案:
| 指标 | 告警阈值 | 监控方式 |
|---|---|---|
| 管道延迟 | 超过SLA 120% | 端到端时间戳追踪 |
| 数据量偏差 | 日均偏差超过30% | 与历史同期对比 |
| 错误率 | 超过0.1% | 错误计数/总记录数 |
| 数据新鲜度 | 超过SLA 150% | 最新数据时间戳 |
| 资源利用率 | CPU持续>80% | 系统监控 |
A: 根据业务延迟要求决定:秒级用流处理、分钟级用微批、小时级用批处理。大部分场景批处理足够,流处理用于实时业务场景(风控、监控、推荐)。
A: 不会完全取代,但边界在模糊。湖仓一体(如Iceberg/Delta Lake)正在融合两者优势。未来趋势是统一存储+多引擎计算。
A: 先用云原生服务(BigQuery/Snowflake + Fivetran + dbt + Looker),验证业务后再考虑自建。过早优化是万恶之源。
A: 用钱说话:数据质量问题的直接经济损失(错误决策、合规罚款、重复劳动)远大于治理投入。量化问题是第一步。
| 角色 | 职责 | 交付物 |
|---|---|---|
| 数据工程师 | 管道开发与维护 | 数据管道、基础设施 |
| 数据分析师 | 数据分析与报表 | SQL查询、BI报表 |
| 数据科学家 | 模型与实验 | ML模型、实验报告 |
| 数据产品经理 | 需求与优先级 | PRD、数据产品规划 |
| 数据管家 | 数据质量与治理 | 质量规则、数据字典 |
选择技术方案时,需要从多个维度综合评估,避免仅凭流行度或个人偏好决策:
| 评估维度 | 权重 | 评估要点 |
|---|---|---|
| 业务适配度 | 30% | 是否满足功能需求?延迟/吞吐是否达标? |
| 团队能力 | 25% | 团队是否有经验?学习曲线如何? |
| 社区生态 | 20% | 社区活跃度?文档质量?第三方集成? |
| 运维成本 | 15% | 部署复杂度?监控能力?故障恢复? |
| 成本效益 | 10% | License费用?资源消耗?扩展成本? |
数据量级? ├── <1GB/天 → SQLite/PostgreSQL + Python脚本 ├── 1-100GB/天 → 数据仓库(Snowflake/BQ) + dbt ├── 100GB-1TB/天 → Spark + 数据湖 └── >1TB/天 → Spark/Flink + 湖仓一体 延迟要求? ├── T+1 → 批处理(Spark) + Airflow ├── 小时级 → 微批(Spark Streaming) + Airflow ├── 分钟级 → 流处理(Flink) + Kafka └── 秒级 → 纯流(Flink) + Kafka + 缓存 数据类型? ├── 纯结构化 → 数据仓库 ├── 结构化+半结构化 → 湖仓一体 └── 全类型 → 数据湖 + 元数据管理