第一章 ：状态化流处理概述
数据处理框架
把数据处理框架分为两类
事物型处理：企业日常运营业务中的各类应用 企业资源规划（ERP），客户关系管理（CRM）还有一些基于Web的应用 独立的数据处理层：也就是应用程序本身：连接外部用户或者服务，处理操作传入的数据，每次操作都会访问数据库读取或者更新状态 数据存储层：事物型数据库，外部操作就会访问这个数据库 这种“单点”在扩容更新会有问题，现在用微服务——解耦，接口通信，部署到不同的容器中 分析型处理 需要对不同类型的数据进行联合分析的时候，建一个数据仓库（专门处理分析查询），将事务性数据库中的数据拷贝到仓库中就是ETL （提取-转换-加载） 对于数据仓库就需要定期整合报告或者ad-hoc query（即席查询），过程中就用到了Hadoop生态的组件，完成数据仓库和一系列操作，代替关系型数据库，用HDFS 在建立数仓和对数仓中的数据进行分析的过程就用到了流处理技术 状态化处理 事件流当中对于跨记录转换都需要状态，每次处理新事件的时候能够读写之前的状态 Flink用的就是内存和内嵌式数据库作为状态存储，定期备份 像Kafka这种日志系统和Flink相连，部署在Flink上的流处理应用进行事件的分析处理 几种流处理应用 事件驱动型：通过事件触发不同的业务逻辑，进行后续的操作；类似于微服务架构的模式，不同的应用之间通过日志系统通信了，而且访问本地状态的速度要比访问数据库更快 数据管道：低延时的ETL 流式分析：不用像数仓或者Hadoop那样批处理来分析数据，实时分析，还有实时SQL 运行例子 事物型处理：企业日常运营业务中的
