前言
写在前面
咳，随着数据量的暴增和数据实时性要求越来越高，以及大数据技术的发展驱动企业不断升级迭代，数据仓库架构方面也在不断演进，分别经历了以下过程：早期经典数仓架构 > 离线大数据架构 > Lambda > Kappa > 混合架构。
架构 |
组成 | 特点 |
| 经典数仓架构 | 关系型数据库（mysql、oracle）为主 | 数据量小，实时性要求低 |
| 离线大数据架构 | hive，spark为主 | 数据量大，实时性要求低 |
| Lambda | hive，spark负责存量，strom/Flink负责实时计算 | 数据量大，实时性要求高 |
| Kappa | kafka、strom、Flink | 多业务，多数据源，事件型数据源 |
| 混合架构 |
ps.表中举例若有不当，欢迎指正
正文
Lambda
Lambda架构原理
Lambda架构的核心思想是把大数据系统拆分成三层：Batch Layer，Speed Layer和Serving Layer。其中，Batch Layer负责数据集存储以及全量数据集的预查询。Speed Layer主要负责对增量数据进行计算，生成Realtime Views。Serving Layer用于响应用户的查询请求，它将Batch Views和Realtime Views的结果进行合并，得到最后的结果，返回给用户，如下图
Lambda架构的缺点
Lambda架构解决了大数据量下实时计算的问题，但架构本身也存在一定缺点。
实时与批量计算结果不一致引起的数据口径问题：因为批量和实时计算走的是两个计算框架和计算程序，算出的结果往往不同，经常看到一个数字当天看是一个数据，第二天看昨天的数据反而发生了变化。
批量计算在计算窗口内无法完成：在IOT时代，数据量级越来越大，经常发现夜间只有4、5个小时的时间窗口，已经无法完成白天20多个小时累计的数据，保证早上上班前准时出数据已成为每个大数据团队头疼的问题。
开发和维护的复杂性问题：Lambda 架构需要在两个不同的 API（application programming interface，应用程序编程接口）中对同样的业务逻辑进行两次编程：一次为批量计算的ETL系统，一次为流式计算的Streaming系统。针对同一个业务问题产生了两个代码库，各有不同的漏洞。这种系统实际上非常难维护
服务器存储大：数据仓库的典型设计，会产生大量的中间结果表，造成数据急速膨胀，加大服务器存储压力。
Kappa
Kappa架构原理
Kappa架构的核心思想包括以下三点：
用Kafka或者类似的分布式队列系统保存数据，你需要几天的数据量就保存几天。
当需要全量重新计算时，重新起一个流计算实例，从头开始读取数据进行处理，并输出到一个新的结果存储中。
当新的实例做完后，停止老的流计算实例，并把老的一些结果删除。
在Kappa架构下，只有在有必要的时候才会对历史数据进行重复计算，并且实时计算和批处理过程使用的是同一份代码。
Lambda架构和Kappa架构优缺点对比
| 项目 | Lambda | Kappa |
| 数据处理能力 | 可以处理超大规模的历史数据 | 历史数据处理的能力有限 |
| 机器开销 | 批处理和实时计算需一直运行，机器开销大 | 必要时进行全量计算，机器开销相对较小 |
| 存储开销 | 只需要保存一份查询结果，存储开销较小 | 需要存储新老实例结果，存储开销相对较大 |
| 开发、测试难度 | 实现两套代码，开发、测试难度较大 | 只需面对一个框架，开发、测试难度相对较小 |
运维成本 |
维护两套系统，运维成本大 | 只需维护一个框架，运维成本小 |
小结
Lambda 将全量历史数据和实时增量数据合并输出。
Kappa 两个流协作输出，queries每次使用最新一个流处理结果
小编有话
目前很多准实时增量批处理方案也能满足实时性需求，从稳定性和运维成本上也表现更佳。
比如kudu（存储）+impala（计算）准实时方案，可以实现千万级数据的增量更新和olap查询，性能优异。
