流式与批处理的重新定义：Flink・RisingWave・Materialize、CDC、Streaming SQL，实时的实用主义（2025）

Season 5 Ep 2 — 如果说 Ep 1 讲的是“数据存在哪里”，那么 Ep 2 讲的就是“数据流动得有多快”。从 2020–2023 的实时狂热，回到 2024–2025 的实用主义。

• Prologue — “实时不是基本配置，而是一个选项”
• 第1章 · 鲜度层级（Freshness Tiers）
  • 1.1 五层框架
  • 1.2 把每个指标与表映射到层级
  • 1.3 决策原则
• 第2章 · Lambda 与 Kappa 架构的 2025 版本
  • 2.1 Lambda (2014)
  • 2.2 Kappa (2014, Jay Kreps)
  • 2.3 2025 年：Unified on Lakehouse
  • 2.4“Streaming + Materialized”模式
• 第3章 · 四大流处理引擎对比
  • 3.1 Apache Flink
  • 3.2 Spark Structured Streaming
  • 3.3 Kafka Streams / ksqlDB
  • 3.4 RisingWave
  • 3.5 Materialize
  • 3.6 对比表
  • 3.7 选型指南
• 第4章 · CDC (Change Data Capture)
  • 4.1 为什么 CDC 是核心
  • 4.2 实现方式
  • 4.3 工具
  • 4.4 CDC → Iceberg 模式
  • 4.5 实务陷阱
• 第5章 · Iceberg v3 与实时 Upsert
  • 5.1 Iceberg 版本沿革
  • 5.2 Row-level delete 的两种方式
  • 5.3 实时 Upsert 的工作流
  • 5.4 性能注意事项
• 第6章 · Streaming SQL 的崛起
  • 6.1 为什么是 SQL
  • 6.2 Flink SQL
  • 6.3 ksqlDB
  • 6.4 RisingWave 的 Postgres 兼容
  • 6.5 Materialize
• 第7章 · 成本与延迟的权衡
  • 7.1 成本构成
  • 7.2 典型成本对比（每月，中等规模）
  • 7.3 降本手段
  • 7.4 按延迟目标推荐的架构
• 第8章 · 可观测性与调试
  • 8.1 核心指标
  • 8.2 观测工具
  • 8.3 调试
  • 8.4 告警
• 第9章 · 故障・恢复・SLA
  • 9.1 SLA 设计
  • 9.2 恢复策略
  • 9.3 重跑
  • 9.4 Multi-region
• 第10章 · 流式 + Lakehouse 实战模式
  • 10.1 Medallion 之上的流式
  • 10.2 CDC → Silver
  • 10.3 事件溯源
  • 10.4 实时 Feature Store
  • 10.5 Streaming ETL 流水线
• 第11章 · 三个实战案例
  • 11.1 电商订单流水线
  • 11.2 金融交易监控
  • 11.3 游戏遥测
• 第12章 · 韩国企业的流处理
  • 12.1 传统模式
  • 12.2 最新动向
  • 12.3 合规考量
  • 12.4 难点
• 第13章 · 十个反模式
  • 13.1“把一切都做成实时”
  • 13.2 迷信 Exactly-once
  • 13.3 省略 CDC 的初始快照
  • 13.4 没有模式变更的自动传播
  • 13.5 Kafka retention 太短
  • 13.6 Checkpoint 周期太长
  • 13.7 状态无限保留
  • 13.8 不做 Delete 文件的 compaction
  • 13.9 内存与 CPU 分配不足
  • 13.10 缺少可观测性与告警
• 第14章 · 检查清单 — 流式上线前 12 项
• 第15章 · 下一篇预告 — Season 5 Ep 3：“OLAP 引擎 2025 对比”

Prologue — “实时不是基本配置，而是一个选项”

2019–2022 年数据大会上的每一场主题演讲都在说“所有数据都必须变成实时的”。2025 年的现实并非如此：

• 实时流水线的成本是批处理的 3–10 倍
• 大多数 BI 仪表盘即使延迟 15 分钟到 1 小时也没人抱怨
• 真正需要实时的只有全部数据的 5–15%

2025 年的正确答案：

“按每份数据、每个指标的 SLA 划分鲜度层级，再为每一层选用合适的工具。”

本文就把这些层级与工具选型具体化。

第1章 · 鲜度层级（Freshness Tiers）

1.1 五层框架

1.2 把每个指标与表映射到层级

• 库存指标：Fresh
• 登录异常检测：Real-time
• 月度营收：Daily
• 模型训练用特征：Fresh + Daily 混合

1.3 决策原则

• 业务问题：“指标晚 1 小时会发生什么？”
• 答案是“什么都不会发生”→ Daily 或 Fresh
• 答案是“损失 10 万韩元”→ Near-real-time
• 答案是“有人会受伤/会有法律问题”→ Real-time

第2章 · Lambda 与 Kappa 架构的 2025 版本

2.1 Lambda (2014)

• Batch layer + Speed layer + Serving layer
• 同一套逻辑实现两遍 → 维护负担
• 2015–2020 年占据主导

2.2 Kappa (2014, Jay Kreps)

• 统一到一条流式日志（Kafka）上
• 重跑也通过流式完成
• 理论上简单，实务上困难

2.3 2025 年：Unified on Lakehouse

• 在 Iceberg/Delta 表之上，批处理与流式同时写入
• Flink + Iceberg, Spark Structured Streaming + Delta
• Serving 交给 OLAP 引擎或 materialized view

2.4“Streaming + Materialized”模式

• 源 → 流式流水线 → Lakehouse
• 高频查询用 Materialized view 预计算
• ad-hoc 由 OLAP 引擎直接查询

第3章 · 四大流处理引擎对比

3.1 Apache Flink

• 真正基于事件时间（Event time），有 watermark、exactly-once
• 状态（Keyed state）丰富，经过大规模生产验证
• 学习曲线陡峭，运维复杂
• 2024–2025 年 Flink CDC 2.x、Flink SQL 走向成熟

3.2 Spark Structured Streaming

• Spark 生态中的 micro-batch 流处理
• Databricks 的标准
• 延迟目标在 1–60 秒以上，并非真正的 ms 级
• SQL/Python 上手容易

3.3 Kafka Streams / ksqlDB

• Kafka 内置库，基于 JVM
• 轻量，专注处理 Kafka 中的数据时最合适
• 分布式运维需要自己实现

3.4 RisingWave

• 2022 年开源，专注 Streaming SQL
• 兼容 Postgres 的 SQL + Materialized view
• 状态放在独立存储（S3）— 运维简单
• 作为 Flink 的替代方案迅速崛起

3.5 Materialize

• Streaming + Incremental view maintenance
• 复杂 JOIN 与聚合自动保持最新
• 以企业级 SaaS 为主

3.6 对比表

3.7 选型指南

• 事件时间・复杂状态：Flink
• Databricks 生态：Spark SS
• 以 Kafka 为中心・逻辑简单：Kafka Streams / ksqlDB
• 只用 SQL 写流式应用：RisingWave 或 Materialize

第4章 · CDC (Change Data Capture)

4.1 为什么 CDC 是核心

• 把业务库（Postgres/MySQL）的变更实时复制到分析系统
• 相比批量导出，延迟与负载大幅下降
• 自动维护 Lakehouse 的 Silver 层

4.2 实现方式

• Log-based：Postgres WAL, MySQL binlog — 效率最高
• Trigger-based：用 DB 触发器生成变更事件 — 对数据库压力大
• Query-based：基于 updated_at 列的轮询 — 简单，但抓不到删除

4.3 工具

• Debezium (OSS)：Postgres/MySQL/SQL Server/Oracle/Mongo → Kafka
• Fivetran, Airbyte：托管式 ELT，数百个源连接器
• Striim, HVR：企业级 CDC
• Flink CDC：在 Debezium 之上集成 Flink

4.4 CDC → Iceberg 模式

Postgres → Debezium → Kafka → Flink → Iceberg

• 事件保存在 Kafka 中 → 可以重跑
• Flink 用 MERGE INTO 向 Iceberg upsert
• 利用 Iceberg v2/v3 的 row-level delete

4.5 实务陷阱

• Schema change 的处理（新增列・删除列・类型变更）
• 初始快照 + 增量（Incremental snapshot）之间的协调
• Exactly-once 保证（同时防止重复与遗漏）
• 回填与重跑策略

第5章 · Iceberg v3 与实时 Upsert

5.1 Iceberg 版本沿革

• v1：Append-only
• v2：Row-level delete（position/equality）、MERGE INTO
• v3 (2024–2025)：Deletion vectors, row lineage, V3 partition transforms

5.2 Row-level delete 的两种方式

• Position delete：指向某行所在文件与位置的删除文件
• Equality delete：基于条件的删除（实现 UPDATE 时很有用）

5.3 实时 Upsert 的工作流

1. Flink 读取 CDC 事件
2. 基于 PK 生成 Equality delete + insert
3. Iceberg 把它反映到快照中
4. 通过周期性 compaction 清理 delete 文件

5.4 性能注意事项

• Delete 文件堆积会拖慢读取性能
• Compaction 的周期很关键（分钟–小时级）
• 建议同时运行转换为 Copy-on-Write 的后台 job

第6章 · Streaming SQL 的崛起

6.1 为什么是 SQL

• Flink Java API 学起来吃力
• 数据工程师 + 分析师能够共同使用的通用语言
• 容易与 dbt・Dagster 之类的工具集成

6.2 Flink SQL

• 2023–2024 年趋于稳定
• 事件时间・窗口・状态全都可以用 SQL 表达
• 支持 UDF・UDAF

6.3 ksqlDB

• Kafka 之上的 Streaming SQL
• Table 与 Stream 的概念清晰
• 适合简单的 ETL 与聚合

6.4 RisingWave 的 Postgres 兼容

• CREATE MATERIALIZED VIEW → 实时保持最新
• Postgres 工具（Grafana, Superset 等）可以直接使用
• 运维复杂度低 → 2025 年快速增长

6.5 Materialize

• 建立在 Incremental View Maintenance (IVM) 的研究之上
• 复杂 JOIN 也能自动保持最新
• 提供 SaaS + 自托管两种选择

第7章 · 成本与延迟的权衡

7.1 成本构成

• 计算（流式集群 24/7 运行）
• 状态存储（RocksDB/S3）
• Kafka/MSK 的运维
• 网络（跨区域）

7.2 典型成本对比（每月，中等规模）

7.3 降本手段

• 把实时层做薄（只保留核心指标）
• 评估能否用 Near-real-time 层替代
• 淡季缩容
• 状态放 S3（RisingWave 式）vs 本地 RocksDB（Flink）之间的权衡

7.4 按延迟目标推荐的架构

• 100ms 以内：In-memory stream processor + Redis/RocksDB
• 秒级：Flink/RisingWave + Kafka
• 分钟级：Spark Structured Streaming + Delta/Iceberg
• 小时级：Micro-batch Airflow + dbt
• 天级：Batch Spark

第8章 · 可观测性与调试

8.1 核心指标

• End-to-end latency（从事件发生到结果生效）
• Lag（Kafka consumer lag, Flink checkpoint lag）
• Throughput（eps, rps）
• Back-pressure（按 Flink task）
• 状态大小（RocksDB size, checkpoint size）

8.2 观测工具

• Flink UI + Prometheus + Grafana
• Kafka Lag Exporter, Burrow, Conduktor
• 用 OpenLineage 记录流式流水线的血缘
• Datadog/NewRelic APM + 流式 extensions

8.3 调试

• 基于 checkpoint 与 savepoint 的重跑
• CEP（Complex Event Processing）规则的调试
• 用采样日志追踪事件
• 测试使用 MiniCluster + embedded Kafka

8.4 告警

• Lag > 阈值 → Slack/PagerDuty
• End-to-end 延迟违反 SLO
• Checkpoint 连续失败

第9章 · 故障・恢复・SLA

9.1 SLA 设计

• Availability：99.9% = 每月允许 43 分钟的宕机
• Freshness：事件发生后 X 秒内可查询
• Correctness：最终一致的正确性（eventual）vs exactly-once

9.2 恢复策略

• Flink：checkpoint（定期）、savepoint（手动）
• Kafka：Replication factor 3, min.insync.replicas 2
• Iceberg：用快照 + 分支回滚

9.3 重跑

• Kafka retention 要覆盖重跑周期（7–30 天很常见）
• 或者从 Iceberg 原始数据 → 重新运行流式 job
• 重跑期间防止重复（幂等性设计）

9.4 Multi-region

• Kafka MirrorMaker 2 / Confluent Cluster Linking
• Iceberg 依靠存储复制（S3 Cross-region）
• 流式作业通常采用 Active-Passive

第10章 · 流式 + Lakehouse 实战模式

10.1 Medallion 之上的流式

• Bronze：append 原始事件
• Silver：清洗・去重・JOIN upsert
• Gold：聚合・指标

10.2 CDC → Silver

• 数据库变更事件 → Flink → Iceberg Silver upsert
• Silver 承担业务库的“副本 + 历史”角色
• Gold 由 dbt/Spark 批处理生成

10.3 事件溯源

• 把领域事件永久保存在 Kafka 中
• 状态通过重放事件来重建
• 在 Iceberg Bronze 中长期保存

10.4 实时 Feature Store

• Feast/Tecton + Kafka + Iceberg
• Online feature（Redis）+ Offline feature（Iceberg）
• 监控 Online-offline skew

10.5 Streaming ETL 流水线

• 源 → Bronze（append）→ Silver（清洗）→ Gold（聚合）
• 每个阶段用 Flink/Spark SS 作业实现
• 重跑只需重置上游 offset

第11章 · 三个实战案例

11.1 电商订单流水线

• 订单事件 Kafka → Flink → 库存更新 + 异常检测 + 分析
• 库存：秒级实时
• 营收指标：5 分钟的 near-real-time
• 月度报表：Daily batch

11.2 金融交易监控

• 交易事件 Kafka → Flink CEP → Fraud score
• 要求延迟低于 100ms
• 状态：每位用户的交易历史（Flink keyed state）
• 结果：保存到 Redis + Iceberg

11.3 游戏遥测

• 客户端事件 Kinesis/Kafka → Flink/Spark SS
• 实时分析（同时在线人数・DAU）属于 Near-real-time
• 详细日志堆积到 Iceberg Bronze，之后再分析
• A/B 测试：Gold 聚合

第12章 · 韩国企业的流处理

12.1 传统模式

• 金融：Tibco EMS, IBM MQ, Kafka 混用
• 通信：Charging/Billing 使用实时流式
• 游戏：Kafka + Flink 或 Kafka Streams
• 电商：Kafka + Spark SS + ELK

12.2 最新动向

• Confluent Cloud / MSK 的采用在增加
• Flink 的采用面扩大（尤其是 Toss・Coupang・Naver・Kakao）
• RisingWave・Materialize 在 2024–2025 年仍处于导入初期

12.3 合规考量

• 金融：在网络隔离环境中自建 Kafka 集群
• 个人信息：CDC 事件的 PII 脱敏是必须的
• 审计日志：长期保存・不可篡改

12.4 难点

• 数据工程师人手不足 → 越来越倾向托管服务
• 与遗留数仓共存
• 24/7 on-call 文化仍在形成中

第13章 · 十个反模式

13.1“把一切都做成实时”

连不需要的表也做成流式 → 成本与复杂度激增。

13.2 迷信 Exactly-once

要在源端与汇端同时保证端到端 exactly-once 并不容易。幂等设计是必须的。

13.3 省略 CDC 的初始快照

出现遗漏，准确性下降。

13.4 没有模式变更的自动传播

下游流水线被打断。

13.5 Kafka retention 太短

无法重跑。

13.6 Checkpoint 周期太长

故障时的恢复成本与重跑量激增。

13.7 状态无限保留

Flink keyed state 无限增长 → OOM。

13.8 不做 Delete 文件的 compaction

Iceberg 的读取性能下降。

13.9 内存与 CPU 分配不足

Back-pressure 连锁反应。

13.10 缺少可观测性与告警

事故由客户先发现。

第14章 · 检查清单 — 流式上线前 12 项

• 鲜度层级映射（按表、按指标的 SLA）
• 引擎选型依据（Flink/Spark SS/RisingWave/Materialize）
• CDC 源的选定 + 初始快照策略
• Kafka retention + 重跑计划
• Iceberg/Delta 表设计 + compaction 自动化
• Checkpoint 与 savepoint 策略
• 幂等性与重复处理的设计
• 可观测性（lag・latency・throughput・back-pressure）
• SLA/SLO 的定义 + 告警
• 成本仪表盘（计算・存储・网络）
• 灾难恢复与 Multi-region 计划
• On-call 与故障响应手册

第15章 · 下一篇预告 — Season 5 Ep 3：“OLAP 引擎 2025 对比”

既然流式与批处理已经共享同一份存储，下一个问题就是“在它之上谁查询得最快”。

• DuckDB：单节点 OLAP 的革命
• ClickHouse：实时 OLAP 的标准
• Snowflake / BigQuery / Redshift：托管式巨头
• Databricks SQL / StarRocks / Doris / Pinot / Druid
• Trino / Presto 的联邦查询
• 真实基准测试中的陷阱
• 成本 vs 延迟 vs 运维负担
• MPP 与单节点之间的边界
• 面向韩国企业的选型指南
• “因地制宜”的引擎布局模式

承认“一个引擎做不了所有事”这个 2025 年的现实之后，才真正有意思。

下一篇文章再见。

总结：2025 年的流处理已经从“全部实时”重新定义为“基于 SLA 的鲜度层级”。按照 Real-time / Near-real-time / Fresh / Daily / Historical 五个层级去布置 Flink・Spark SS・RisingWave・Materialize・ksqlDB，用 CDC 把业务库的变化流向 Lakehouse，再用 Iceberg v3 的 row-level delete 处理实时 upsert。不是 Lambda/Kappa，而是“Unified on Lakehouse”成为主导模式，成本、延迟与复杂度的权衡需要被有意识地设计。“实时不是基本配置，而是一个选项” — 这就是 2025 年的实用主义。