窗口把连续流划分为可计算的数据范围

数据工程组织数据的获取与加工和交付。数据源可能来自业务系统或外部采集。批处理按照时间或数据规模集中执行任务。流处理持续处理不断到达的数据事件。事件时间对应现实业务事件发生的时刻。处理时间对应系统实际执行计算的时刻。乱序事件可能晚于其业务发生顺序到达。水位线用于表达事件时间处理的进展估计。

迟到数据策略决定如何修正已有计算结果。窗口把连续流划分为可计算的数据范围。滚动窗口按照固定边界连续划分时间。滑动窗口允许相邻时间范围部分重叠。会话窗口根据活动间隔识别交互片段。状态管理保存跨事件计算需要的中间信息。检查点帮助流处理任务在故障后恢复。端到端一致性还需要数据源和输出端配合。

分区裁剪通过过滤条件减少实际读取范围。小文件过多可能增加元数据和调度开销。文件合并用于改善过度碎片化的数据布局。数据压缩降低存储和传输但需要解码计算。模式演化管理字段增加和类型变化等问题。数据契约明确生产方与使用方的格式约定。数据质量包含完整性与一致性等维度。缺失记录可能来自采集失败或业务规则。