流式数据处理的几个关键点重难点：

• exactly-once
• handle out-of-order data
• one-record-at-a-time processing

kafka Streams 是一个用于实时分析和处理在kafka中数据的客户端库
它支持：

• event time
• processing time
• windowing
• 实时app state管理和查询

kafka Streams自身的一些亮点：

• 简单和轻量的客户端库，程序开发完成了，直接java jar就可以运行，这个相对hadoop 、spark这些集群运行的job来说部署和运行简单很多
• 除了apache kafka 之外，不需要依赖其他系统
• 支持容错的本地状态，比如window join和聚合操作
• 支持exactly-once语义
• 支持one-record-at-a-time processing这是真正意义的低延迟实时流（早期的spark是通过small batch实现实时的），支持 event-time based windowing operations
• 提供了high-level Streams DSL 和low-level Processor API的流式处理原语

流式处理拓扑

• stream是Kafka Streams最重要的抽象：它代表了无界，源源不断的数据集。stream是有序，可重放，不可变data record 的序列，data record 被定义为kv健值对(发给kakfa的数据本身就是kv类型的，不过k可以为空)。在拓扑图中这种有向数据流动逻辑上被抽象为边
• stream processing application通过processor topologies定义计算逻辑。processor topology是由stream processor（节点）和stream（边）构成的图
• stream processor是processor topology的节点，它代表了一个处理步骤，它每次从上游processors读取一个输入记录，对它应用操作（算子），然后产生一条或者多条的数据发往下游的processors

在拓扑中有两种特别的processor：

• source processor 数据源节点，从kafka topic消费数据，没有上游processors
• sink processor 数据最后存储节点，写到特定的kafka topic 没有下游processors
  

Kafka Streams 提供了两种方式用于定义流式处理拓扑：

• high-level Streams DSL：定义了一些最常用的转换算子map、 filter、 join 、aggregations
• low-level Processor API : 允许开发者定义和连接自定义的processor和与state stores交互相关的操作

流式处理拓扑只是流式应用的逻辑抽象，在运行时，这个逻辑拓扑会被实例化，并且分发到应用内部用于并行处理。

Time

流处理的关键就是它的时间模型，比如window 操作就是基于时间边界的：
在流式处理中一般有如下与时间相关的概念：

• Event time 数据产生时间
• Ingestion time kafka 收到数据的时间
• Processing time 数据处理时间

举个例子理解以上时间的概览：
考虑如下场景，手机上的一款app将用户日志数据上报到服务端Kafka，然后app 公司的开发者开发了一个实时处理程序，实时的从kakfa中获取用户上报信息，统计dua。

我们分析一条日志在手机上产生，然后上报到kafka集群，最后由流式程序取出来用于统计这个过程，其中Event time为app 日志在手机上产生的时间，Ingestion time为数据上报到kafka的时间，流式程序取出这个日志数据并且进行处理的时间为Processing time

State

实现无状态流式应用比较简单，比如仅仅是从一个流中过滤数据然后发往下一个流
当需要对事件进行count，avg，或者多个时间join时就需要维持状态了,一般流式程序有如下几种状态：

• Local or internal state（本地状态）本地状态直接使用本地内存，优点是快
• External state（外部状态）使用外部系统保存状态，通常是NoSQL

Duality of Streams and Tables

在high-level Streams DSL中提供了对流和表的抽象，分别对应KStream和KTable

• 表可以看作是当前事件信息的一个快照
• 流则是事件的changlog
Duality of Streams and Tables这句话是说在kafka streams中KStream和KTable是可以相互转化的

Windowing

在流上很多操作都是window操作,也就是在一个时间片上的操作 比如：

• moving average各
• 一天发生事件的top N
• join，对相同时间片的事件join

进行window操作时，我们需要确定如下条件：

• 窗口的大小（window size）： 每个窗口包含1s 还是1min 还是5min的事件，
• 窗口移动的频率（advance interval） : 窗口是每秒更新，还是每分钟更新，还是每到一个新的事件就更新，窗口大小和窗口移动频率一致称之为tumbling window,每到一个新的事件就更新的窗口称之为sliding window

• 对延迟数据的更新策略：比如可以定义延迟一个小时的数据落在指定窗口视为有效数据，参与计算，大于一小时的数据可以直接丢弃（关于乱序数据的产生和影响，参考Out-of-Order Handling）

  
  
  window

Out-of-Order Handling