Home

1. Theory - Dataflow Model Dataflow Model这篇论文，对大数据的处理范式做了总结，并且提出了一套处理模型。 1.1. Window 数据转换操作，有两种： ParDo: 1->N，例如 map/flatmap/filter 等，这类操作在 unbound 和 bound 数据集上没有区别 GroupByKey: 聚合操作在 bound 数据集很自然；在 unbound 数据集上，既然数据不会结束，就需要解决何时聚合的问题。 之前在批处理和流处理的思考这篇笔记里提到过，bound 数据集其实也是在 unbound 数据集的一个划分，通常情况是 1 天/小时的数据。而论文则用更抽象的角度，提出了 window 的概念，用于在u...

最近遇到一个比较奇怪的现象：相同 Flink 任务，换个运行环境就会报读取 kafka 失败，但是排查环境跟 Kafka 源的连通性又没有问题。 线上匆忙解决了，今天简化代码验证，感觉值得总结一版。 1. TimeoutException org.apache.kafka.common.errors.TimeoutException: Timeout expired while fetching topic metadata 这个报错在读取 Kafka 时容易遇到，往往是 client 跟 bootstrap.server 的网络问题，或者 server 本身不可用导致。 但是从我的情况看，任务代码及配置是一致的，报错跟环境相关，唯一的疑点是任务 KafkaConsumer...

1.时间的边界 1.1. T+1 时间分两种，处理时间和事件时间。大部分情况，数据处理都会选择事件时间。 以离线的天级 Hive 表任务为例，我们看看是如何产出 T+1 的数据的。 T+1 00:00 是处理时间，假定 A 表 Tday 的数据在 00:05 完全到达，B 表 T-day 的数据在 01:05 完全到达。 数据完全到达后，开始 merge Tday 的增量数据，然后根据需要生成全量表或者拉链表。可能的时间轴： 00:05 -> 00:30: merge A 表 Tday 的增量数据，记录到 A-inc 00:30 -> 01:35: merge A-inc + A-base，记录到 A 表 Tday 分区 01:05 ->...