淘宝大数据之流式计算

到底什么是大数据？大数据与数据统计有什么区别？如果不理解大数据的承载底层技术，很难讲清楚。因此作为解决方案经理，技术与业务都是作为方案不可缺少的组成部分。今天我们来看一下大数据之流式计算。

一、流式计算的应用场景

我们上一章讲到了数据采集。数据采集之后，如何利用数据呢？将采集的数据快速计算后反馈给客户，这便于流式计算。 流式计算在物联网、互联网行业应用非常之广泛。在电商“双11”节中，不断滚动的金额数据；在交通展示大通，不断增加的车辆数据，这些都是流式计算的应用场景。

二、数据时效性的三种分类

离线：在今天（T）处理N天（N>1）前的数据，延迟时间粒度为天。例如我们想统记手环记录的全年分24小时的每小时跑步数情况。

准实时：在当前小时（H）处理N小时前（N>1）小时前的数据，延延时间粒度为小时。

实时：在当前时刻处理当前的数据，延迟时间粒度为秒。例如，我们想实时展示全市的各采集点的空气质量情况。

三、离线、流式数据的处理要求

1、对于离线、准实时数据都可以在批处理系统中实现（比如MapReduce、MaxCompute），对于此类数据，数据源一般来源于数据库（HBase、Mysql等），而且采用了分布式计算，因此具有处理时间长、处理数据量大的特别，MapReduce不适合处理实时数据。

2、流式数据是指业务系统每产生一条数据，就会立刻被发送至流式任务中进行处理，而不需要定时调度任务来处理数据。中间可能会经过消息中间件（MQ），作用仅限于削峰等流控作用。

四、流式数据的特点

1、时间效高。数据采集、处理，整个时间秒级甚至毫秒级。

2、常驻任务、资源消耗大。区别于离线任务的手工、定期调度，流式任务属于常驻进程任务，会一直常驻内存运行，计算成本高。

3、性能要求高。如果实时任务1分钟只能处理30秒钟采集的数据，那么只能造成系统崩溃。

4、应用局限性。实时数据处理不能代替离线处理。例如想统计过去一年的电商消耗金额，这个任务不需要随时执行，只需要一次；如果用实时数据处理只是浪费社会资源。

五、流式数据的技术架构

1、数据采集

数据的源头，一般来自于业务的日志服务器或物联网终端等。这些数据被实时采集到数据中间件，供下游订阅。

2、数据处理

下游任务（Spark、Storm、Flink、StreamCompute等应用）实时订阅数据，并进行实时数据处理。

3、数据处理

数据实时加工后，会被写到个在线服务存储系统（一般是Redis、MangoDB、HBase等高速数据库）借助大屏应用读取。

4、数据服务

通过UI、BI等界面展示程序，将数据实时投影到大屏中，形成大家看到的图形、不断变幻的数字。