为什么 Batch 作业和 Streaming 作业会有不同的调度策略呢？
为什么 Batch 作业和 Streaming 作业会有不同的调度策略呢？
展开
收起
版权声明：本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
1
条回答
写回答
-
因为 Batch作业里边存在 blocking shuffle 数据交换模式。在这种模式下，需要等上游完全产出所有数据后，下游才能去消费这部分数据集，如果预先把下游调起来的话，它只会在那空转浪费资源。相比 Eager 策略而言，对于批处理作业它能够节省一定量的资源。
2021-11-17 19:18:04赞同 展开评论
问答分类：
问答地址：
开发者社区
>
大数据与机器学习
>
实时计算 Flink
>
问答
相关问答
实时计算Flink版是阿里云提供的全托管Serverless Flink云服务，基于 Apache Flink 构建的企业级、高性能实时大数据处理系统。提供全托管版 Flink 集群和引擎，提高作业开发运维效率。
收录在圈子:
+ 订阅
实时计算 Flink 版（Alibaba Cloud Realtime Compute for Apache Flink，Powered by Ververica）是阿里云基于 Apache Flink 构建的企业级、高性能实时大数据处理系统，由 Apache Flink 创始团队官方出品，拥有全球统一商业化品牌，完全兼容开源 Flink API，提供丰富的企业级增值功能。
相关文章
热门讨论
热门文章
展开全部
展开全部
还有其他疑问?
咨询AI助理