数据工程实战课程 · 流处理阶段
流批一体架构旨在统一批处理和流处理,消除维护两套代码的负担。
# 流批一体框架
import time, random
from datetime import datetime
from collections import defaultdict
class BatchLayer:
def __init__(self): self.data = []
def ingest(self, records): self.data.extend(records)
def compute(self, group_by, agg_field):
groups = defaultdict(list)
for r in self.data: groups[r.get(group_by,'unknown')].append(r.get(agg_field,0))
return {k:round(sum(v),2) for k,v in groups.items()}
class SpeedLayer:
def __init__(self): self.recent = []; self.window_size = 100
def ingest(self, record):
self.recent.append(record)
if len(self.recent) > self.window_size: self.recent.pop(0)
def compute(self, group_by, agg_field):
groups = defaultdict(list)
for r in self.recent: groups[r.get(group_by,'unknown')].append(r.get(agg_field,0))
return {k:round(sum(v),2) for k,v in groups.items()}
class ServingLayer:
def merge(self, batch_result, speed_result):
all_keys = set(batch_result.keys()) | set(speed_result.keys())
return {k: batch_result.get(k,0) + speed_result.get(k,0) for k in all_keys}
# Lambda架构测试
batch = BatchLayer()
speed = SpeedLayer()
serving = ServingLayer()
regions = ['华东','华南','华北']
# 批量层
batch.ingest([{'region':random.choice(regions),'amount':round(random.uniform(10,1000),2)} for _ in range(10000)])
# 速度层
for _ in range(50): speed.ingest({'region':random.choice(regions),'amount':round(random.uniform(10,1000),2)})
batch_result = batch.compute('region', 'amount')
speed_result = speed.compute('region', 'amount')
final = serving.merge(batch_result, speed_result)
print("Lambda架构:")
print(f" 批量层: {batch_result}")
print(f" 速度层: {speed_result}")
print(f" 合并: {final}")
# Kappa架构
class KappaEngine:
def __init__(self): self.events = []
def process(self, event):
self.events.append(event)
def query(self, group_by, agg_field, window=None):
data = self.events[-window:] if window else self.events
groups = defaultdict(list)
for r in data: groups[r.get(group_by,'unknown')].append(r.get(agg_field,0))
return {k:round(sum(v),2) for k,v in groups.items()}
kappa = KappaEngine()
for _ in range(10050): kappa.process({'region':random.choice(regions),'amount':round(random.uniform(10,1000),2)})
print(f"\nKappa架构: {kappa.query('region','amount')}")
print("✅ 验证通过 - 流批一体框架运行正常")
🎁 下一课预告:窗口与水位线!
| 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