什么是流式计算 另一个世界系列

另一个世界系列，从另一个角度看数据分析的方法、应用。

本文结构：

1、数据的时效性

2、流式计算与批量计算

3、总结与相关产品

(1) 流式计算流程

(2) 流式计算特点

(3) 相关产品

1、数据的时效性

日常工作中，我们一般会先把数据储存在一张表中，然后对这张表的数据进行加工、分析。既然数据要储存在表中，就有时效性这个概念。

如果我们处理的是年级别的数据，比如人口分析、宏观经济分析，那么数据最新日期距今晚个一两周、甚至一两个月都没什么关系。

如果我们处理的是天级别的数据，比如各大网站的用户偏好分析、零售供销分析，一般晚个几天也是可以的，即 T+N 更新。

如果是小时级别的数据，对时效性要求就更高了，比如金融风控，涉及到资金的安全，必须有一张小时级别的数据。

那么还有没有要求更高的？当然有了，比如风险监测，网站必须有实时监测系统，一旦有攻击，就必须立刻采取措施，双十一或者周年庆的时候，各大电商平台都经历着严峻的流量考验，也必须对系统进行实时的监测。此外，网站的实时个性化推荐、搜索引擎中也对实时性有极高的要求。

在这种场景下，传统的数据处理流程——先收集数据，然后放到DB中，再取出来分析——就无法满足这么高的实时要求，在隔壁，有一种叫“流式计算”的处理方法。

2、流式计算与批量计算

刚刚说的：收集数据 - 放到DB中 - 取出来分析 的传统的流程，叫做批量计算，顾名思义，将数据存起来，批量进行计算。

而流式计算，也跟名字一样，是对数据流进行实时计算，它不是更快的批计算，可以说，是完全不同的处理思路。

通过与批量计算进行对比的方式，介绍下其原理：

(1) 与批量计算那样慢慢积累数据不同，流式计算将大量数据平摊到每个时间点上，连续地进行小批量的进行传输，数据持续流动，计算完之后就丢弃。

(2) 批量计算是维护一张表，对表进行实施各种计算逻辑。流式计算相反，是必须先定义好计算逻辑，提交到流失计算系统，这个计算作业逻辑在整个运行期间是不可更改的。

(3) 计算结果上，批量计算对全部数据进行计算后传输结果，流式计算是每次小批量计算后，结果可以立刻投递到在线系统，做到实时化展现。

3、总结与相关产品

(1) 流式计算流程

① 提交流计算作业。

② 等待流式数据触发流计算作业。

③ 计算结果持续不断对外写出。

(2) 流式计算特点

① 实时、低延迟

② 无界，数据是不断无终止的

③ 连续，计算持续进行，计算完之后数据即丢弃

(3) 相关产品

列举一下流式计算的相关产品，不具体盘点，对流式计算感兴趣可以了解一下：

Storm：Twitter 开发的第一代流处理系统

Heron：Twitter 开发的第二代流处理系统

Spark streaming

Flink

Apache Kafka：linkedin开发的一种高吞吐量的分布式发布订阅消息系统，它可以处理消费者规模的网站中的所有动作流数据。

Apache Samza

更多 SQL 连载、Python 连载、SAS 教程 请关注 数说工作室

【统计师的 Python 系列】连载

第1天：谁来给我讲讲Python？

第2天：再接着介绍一下Python呗

第3天：Numpy你好

第4天：欢迎光临Pandas

第5天：Pandas，露两手

第6天：数据合并

第7天：数据清洗（1）

第8天：数据清洗（2）文本处理

第9天：正则表达式

第10天：数据聚合

第11天：class-类

【文本挖掘系列】连载

1、文本相似度思想

2、词频与余弦相似度算法

3、TF-IDF 治啰嗦利器

4、常用相似度一览

5、哈希函数的套路

【分类战车SVM】系列

开题话

线性分类

最大间隔分类器

拉格朗日对偶问题

核函数

SMO算法

用Python做SVM模型

SAS系列，包括 【SAS IML系列】、【SAS 正则表达式系列】、【SAS 基础系列】

金融数据挖掘系列、量化投资系列、生物大数据系列 等等更多干货......