- 综合排序
- 最热优先
- 最新优先
- 来自专栏数据科学
股票实时流计算
lambda df:df.head()).map(lambda df:df[['now','open']]).sink(display) var element = $('#61901593-c697-4e0e-ad17 -c8f2c3fae6ae'); {"model_id": "8629bab4ae2a42fe908a3fe8b82354c0", "version_major": 2, "version_minor ": 0} 定义流算法¶ In [4]: def to_my_df(df): df['code']=df.index df = df.reset_index() df = df.query getmycode).sliding_window(1).map(pd.concat).map(mygroup).sink(display) var element = $('#505e5b67-4fc6 bootstrap.servers': 'localhost:9092','message.max.bytes': 5242880}) p.produce('test-quant',df.to_msgpack()) 流计算过程的可视化
2.9K40发布于 2018-12-20 - 来自专栏华章科技
什么是大数据「实时流计算」？深度解析它的4大应用及4个特点
所有实时流计算的目的都是为了获得数据的实时价值。如果数据没有实时价值，那么实时流计算也就失去了它存在的意义。 ? 02 实时流计算使用场景 话说有一句至理名言：“天下武功，无坚不摧，唯快不破！” 通过实时流计算技术，在秒级甚至亚秒级，对用户信用和欺诈风险做出判定，在保证可控风险的同时，提供良好的用户体验，进一步提高现金贷产品整体的竞争力。 4. 现代推荐系统（见图1-4）背后越来越多地出现了实时流计算技术的影子，通过实时分析从用户手机上收集而来的行为数据，发掘用户的兴趣、偏好，给用户推荐可能感兴趣的内容或商品。 ▲图1-4 基于Spark Streaming的实时零售推荐系统 这里只是简单地列举了几个流计算技术使用的场景。 这两种时间会导致流计算的过程和结果都有所不同，具体使用哪种时间因场景而异。 4. 无限性 流数据是一种随时间无限增长的数据序列。这是流数据和批数据最本质的区别。
1.7K11发布于 2020-03-16 - 来自专栏实时流式计算
什么是实时流式计算？
实时流式计算，也就是RealTime,Streaming,Analyse,在不同的领域有不同的定义,这里我们说的是大数据领域的实时流式计算。 实时流式计算,或者是实时计算,流式计算,在大数据领域都是差不多的概念。那么，到底什么是实时流式计算呢？ 而实时，流式其实是相对的概念，现在的很多技术更应该说是近实时，微批。但只要能不断的优化这些问题，实时流式的计算的价值就会越来越大。 由于大数据兴起之初，Hadoop并没有给出实时计算解决方案，随后Storm，SparkStreaming，Flink等实时计算框架应运而生，而Kafka，ES的兴起使得实时计算领域的技术越来越完善，而随着物联网 4、金融风控 通过对交易等金融行为实时分析，预测出未知风险。 还有很多应用的领域，而且未来会越来越多，在这个过程中具体的业务，以及与技术结合能产生什么样的价值，还需要不断的探索。
3.1K40发布于 2019-08-20 - 来自专栏千里行走
hadoop-4：hadoop-flink实时计算集群生产级优化
1./app/3rd/hadoop-3.3.1/etc/hadoop/capacity-scheduler.xml 优化项
89320发布于 2021-11-18 - 来自专栏实时计算
什么是实时流式计算？
实时流式计算，也就是RealTime,Streaming,Analyse,在不同的领域有不同的定义,这里我们说的是大数据领域的实时流式计算。 实时流式计算,或者是实时计算,流式计算,在大数据领域都是差不多的概念。那么，到底什么是实时流式计算呢？ 而实时，流式其实是相对的概念，现在的很多技术更应该说是近实时，微批。但只要能不断的优化这些问题，实时流式的计算的价值就会越来越大。 由于大数据兴起之初，Hadoop并没有给出实时计算解决方案，随后Storm，SparkStreaming，Flink等实时计算框架应运而生，而Kafka，ES的兴起使得实时计算领域的技术越来越完善，而随着物联网 4、金融风控 通过对交易等金融行为实时分析，预测出未知风险。 ? 还有很多应用的领域，而且未来会越来越多，在这个过程中具体的业务，以及与技术结合能产生什么样的价值，还需要不断的探索。
3.5K20发布于 2019-09-11 - 来自专栏Golang开发
实时流计算框架——Storm
/usr/local/Cellar/storm/1.2.2: 514 files, 181.7MB, built in 4 minutes 50 seconds Storm结构与部署 (1)Nimbus storm jar topologyDemo.jar com.baxiang.topologyTest topologyDemo 核心概念 Topologies 计算拓扑,由spout和bolt组成的
2.6K30发布于 2019-05-29 - 来自专栏bgmonkey
FlinkSQL实时计算Demo
Flink实时消费业务数据Demo Debezium监控MySQL用FlinkSQL实时消费 1、环境准备 ## 各组件版本 MySQL：5.7.21-log ## 开启binlog kafka_2.11 ## debezium-connector-mysql-1.3.1.Final-plugin.tar.gz 链接：https://pan.baidu.com/s/1AtR9buds1AvfRnJ4JU-v6g
3.5K20发布于 2021-04-09 - 来自专栏实时流式计算
用Spark进行实时流计算
项目，一个基于 Spark SQL 的全新流计算引擎 Structured Streaming，让用户像编写批处理程序一样简单地编写高性能的流处理程序。 Structured Streaming是Spark2.0版本提出的新的实时流框架（2.0和2.1是实验版本，从Spark2.2开始为稳定版本) 从Spark-2.X版本后，Spark Streaming Process time 处理时间: 则是这条日志数据真正到达计算框架中被处理的时间点，简单的说，就是你的Spark程序是什么时候读到这条日志的。 事件时间是嵌入在数据本身中的时间。 基于SparkSQL构建的可扩展和容错的流式数据处理引擎，使得实时流式数据计算可以和离线计算采用相同的处理方式（DataFrame&SQL）。 可以使用与静态数据批处理计算相同的方式来表达流计算。 Structured Streaming将实时数据当做被连续追加的表。流上的每一条数据都类似于将一行新数据添加到表中。 ?
3.1K20发布于 2020-08-05 - 来自专栏互联网研发闲思录
spark实时计算性能优化
1、 计算提供两种模式，一种是jar包本地计算、一种是JSF服务。 2、 第一步是引入spark，因与netty、JDQ均有冲突，解决netty冲突后，隔离计算为单独服务。 3、 第二步是召回集扩量，发现当召回集由200扩到500后性能下降过快到70ms，利用多线程多核计算，性能到6ms。 已在线上 4、 第三步在此扩量到1000，采用增加线程方式，性能达到25ms左右。已在预发 5、 第四步召回集在扩量，如性能瓶颈是io，则使用jar包本地计算，但与JDQ冲突。 需要调整接口服务与素材、特征以及计算服务，通过测试得到IO、线程计算结果合并、多核计算的平衡，需排期配合。 第五步已基本和开源分布式搜索引擎计算方式类似，后续会持续调研新的优化方式，并引入到线上。
1.5K90发布于 2018-01-03 - 来自专栏一点博客
Strom-实时流计算框架
所谓实时流计算，就是近几年由于数据得到广泛应用之后，在数据持久性建模不满足现状的情况下，急需数据流的瞬时建模或者计算处理。 这种实时计算的应用实例有金融服务、网络监控、电信数据管理、 Web 应用、生产制造、传感检测，等等。 但是，这些数据以大量、快速、时变（可能是不可预知）的数据流持续到达，由此产生了一些基础性的新的研究问题——实时计算。实时计算的一个重要方向就是实时流计算。 Spark Streaming构建在Spark上，一方面是因为Spark的低延迟执行引擎（100ms+），虽然比不上专门的流式数据处理软件，也可以用于实时计算，另一方面相比基于Record的其它处理框架 实时计算处理流程 互联网上海量数据（一般为日志流）的实时计算过程可以划分为 3 个阶段: 数据的产生与收集阶段、传输与分析处理阶段、存储对对外提供服务阶段。 ?
2.1K20发布于 2019-07-24 - 来自专栏积累沉淀
Spark实时流计算Java案例
and batch // interval of 1 second SparkConf conf = new SparkConf().setMaster("local[4] 并且hdfs上也可以看到通过计算生成的实时文件 第二个案例是，不是通过socketTextStream套接字，而是直接通过hdfs上的某个文件目录来作为输入数据源 package com.tg.spark.stream and batch // interval of 1 second SparkConf conf = new SparkConf().setMaster("local[4]
3K60发布于 2018-01-11 - 来自专栏CSDN技术头条
实时可靠的开源分布式实时计算系统——Storm
在Hadoop生态圈中，针对大数据进行批量计算时，通常需要一个或者多个MapReduce作业来完成，但这种批量计算方式是满足不了对实时性要求高的场景。 Storm是一个开源分布式实时计算系统，它可以实时可靠地处理流数据。 它是为分布式场景而生的，抽象了消息传递，会自动地在集群机器上并发地处理流式计算，让你专注于实时处理的业务逻辑。 Storm是Apache基金会的孵化项目，是应用于流式数据实时处理领域的分布式计算系统。 ? 应用方面 Hadoop是分布式批处理计算，强调批处理，常用于数据挖掘和分析。 Storm是分布式实时计算，强调实时性，常用于实时性要求较高的地方。
2.6K60发布于 2018-02-06 - 来自专栏大数据实践
Flink实时计算指标对数方案
这就需要一套实时数据对数方案，本文主要从背景、实时数据计算方案、对数方案、总结四方面来介绍，说服老板或者让其他人相信自己的数据是准确的、无误的。 二、实时数据统计方案 上述流程图描述了一般的实时数据计算流程，接收日志或者MQ到kafka，用Flink进行处理和计算，将最终计算结果存储在redis中，最后查询出redis中的数据给大屏、看板等展示 但是在整个过程中，不得不思考一下，最后计算出来的存储在redis中指标数据是不是正确的呢？怎么能给用户或者老板一个信服的理由呢？相信这个问题一定是困扰所有做实时数据开发的朋友。 比如说：离线的同事说离线昨天的数据订单是1w，实时昨天的数据确实2w，存在这么大的误差，到底是实时计算出问题了，还是离线出问题了呢？ 四、总结 实时计算能提供给用户查看当前的实时统计数据，但是数据的准确性确实一个很大的问题，如何说服用户或者领导数据计算是没有问题的，就需要和其他的数据提供方进行比对了。
3.1K00发布于 2019-10-21 - 来自专栏DataLink数据中台
Dlink 实时计算平台——部署篇
表单提交时可能需要较长时间的等待，因为那时 dlink 正在努力的计算当前活跃的 JobManager 地址。 后续将带来《Dlink 实时计算平台——功能篇》、《Dlink 实时计算平台——技巧篇》、《Dlink 实时计算平台——原理篇》，敬请期待。
3.4K20编辑于 2021-12-27 - 来自专栏大数据架构师成长之路
实时数据计算框架演进介绍
3.3 反范式数据模型 以事实表和维度表组成的星型数据模型 image.png 4.数据仓库架构的演变 数据仓库概念是 Inmon 于 1990 年提出并给出了完整的建设方法。 后来随着业务实时性要求的不断提高，人们开始在离线大数据架构基础上加了一个加速层，使用流处理技术直接完成那些实时性要求较高的指标计算，这便是 Lambda 架构。 image.png 4.2 Lambda 架构 随着大数据应用的发展，人们逐渐对系统的实时性提出了要求，为了计算一些实时指标，就在原来离线数仓的基础上增加了一个实时计算的链路，并对数据源做流式改造（即把数据发送到消息队列 ），实时计算去订阅消息队列，直接完成指标增量的计算，推送到下游的数据服务中去，由数据服务层完成离线&实时结果的合并。 5.1 整体设计 整体设计如下图，基于业务系统的数据，数据模型采用中间层的设计理念，建设仓配实时数仓；计算引擎，选择更易用、性能表现更佳的实时计算作为主要的计算引擎；数据服务，选择天工数据服务中间件，避免直连数据库
2.4K70发布于 2020-08-04 - 来自专栏小晨讲Flink
附代码｜Flink实时计算TopN
窗口操作 根据需求，我们要计算过去60秒内的交易额，所以很容易想到：将时间窗口的时长设置为60秒，然后计算这段时间内每个品类的交易额的和，最后计算Top3就可以了。 假设使用上一章的方法timeWindow(Time.seconds(60))，计算的结果是没有问题的，但是你会发现它是每60秒计算一次，无法满足需求每10秒更新一次榜单。 我们不能忘记一件事：Flink是分布式处理引擎，所以计算是同时发生在各个节点的，当使用windowAll时，数据会汇集一个节点去执行我们指定的计算。 思考 计算TopN时我们用到了WindowAll，实际上它就是全局并发为1的操作，那么它的计算受单台机器的限制，且在实际的业务中业务的复杂和量级都可能会出现数据热点，这时要怎么解决呢？ WebMonitorEndpoint.java:758) - http://localhost:8081 was granted leadership with leaderSessionID=30a5533d-fbf0-4b70
1.6K40编辑于 2022-03-10 - 来自专栏肉眼品世界
京东实时计算架构演进之路
而对于实时的数据需求也是层出不穷，实时计算架构随着数据量的增长，不断进行革新。 在实时架构设计上就需要尽量用更少的成本来解决这种问题。基于mysql的实时数据统计方案就比较适合了。 基于此产生了一套新的技术方案：flink接kafka消息数据，直接进行指标计算，写入到redis里面，最后提供最外提供服务。详细步骤见下图。 架构优缺点： (1)能够支撑亿级数据量的统计需求，对于大数据量友好 (2)时效性高，计算延迟较低 (3)技术方案相对复杂，新增指标需要重新开发，上线任务。 ? (3)订单量亿级(以京东主站为例) 上述基于flink 直接指标计算的方案，优点非常明显，缺点也非常明显，如果新增指标，需要重新开发上线，对于频繁的业务需求变更，已经很难满足了，因此产生了基于OLAP
87820发布于 2021-07-13 - 来自专栏vivo互联网技术
vivo 实时计算平台建设实践
vivo 实时计算平台是 vivo 实时团队基于 Apache Flink 计算引擎自研的覆盖实时流数据接入、开发、部署、运维和运营全流程的一站式数据建设与治理平台。 近几年，大数据实时计算技术和公司的实时数据业务都在飞速发展，截止到今年8月，vivo实时计算每日处理数据量达到5PB，有效任务数超过4000，目前已接入98个项目，从趋势上来看，每年都有超过100%的规模增长 实时计算作为平台的核心能力之一，它同时满足了大规模数据计算和高时效计算的需求，我们通过实时计算平台来承载和向业务提供这方面的能力。 vivo实时计算平台是基于Apache Flink计算引擎自研的覆盖实时流数据接入、开发、部署、运维和运营全流程的一站式数据建设与治理平台。 实时计算的应用场景有很多，但本质上来说它的目的跟离线计算是一样的，就是为业务提供数据支持。
1.4K30编辑于 2023-01-04 - 来自专栏share ai happiness
Flink SQL 实时计算UV指标
用一个接地气的案例来介绍如何实时计算 UV 数据。 大家都知道，在 ToC 的互联网公司，UV 是一个很重要的指标，对于老板、商务、运营的及时决策会产生很大的影响，笔者在电商公司，目前主要的工作就是计算 UV、销售等各类实时数据，体验就特别深刻， 因此就用一个简单 demo 演示如何用 Flink SQL 消费 Kafka 中的 PV 数据，实时计算出 UV 指标后写入 Hbase。 auto.commit.interval.ms", "3000"); sourceProperties.setProperty("group.id", groupId); //step4 hBaseOptions, hBaseWriteOptions); tEnv.registerTableSink("uv_index", hBaseSink); //step6 实时计算当天
2.8K20发布于 2020-06-15 - 来自专栏性能与架构
快速认识实时计算系统 Storm
Storm是什么 Storm 是一个分布式数据流处理系统，用于大规模数据的实时处理。 例如用户在购物网站中会产生很多行为记录，如浏览、搜索感兴趣的商品，就可以使用Storm对这些行为记录进行实时分析处理，快速反馈给相关系统，如推荐系统。 Storm 还有一个显著特点，就是 编程简单，提供了简单的 Spout+Bolt 的编程模型，可以快速写出大规模数据的实时处理任务，而且有本地模式，开发人员可以方便的在本机运行调试，并支持多语言编程，如
1.5K110发布于 2018-04-04
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号