流處理技術能夠持續不斷地處理到達的資料。它並非將資料分批收集並定期處理，而是對流經系統的每個事件進行即時分析。例如，信用卡交易的詐欺偵測會在幾毫秒內完成；感測器讀數一旦超過閾值就會觸發警報；點擊流會即時更新推薦模型。整個處理過程都在動態進行，而非靜止狀態。

這種架構與批次處理不同。資料透過 Kafka 或 Kinesis 等訊息佇列到達。 Flink、Spark Streaming 或 Kafka Streams 等流處理器消耗事件，套用轉換，並發出結果。系統必須處理延遲到達的事件、亂序資料以及精確一次語意。這些都是難題。延遲到達的事件需要浮水印來判斷時間視窗何時結束。亂序事件需要緩衝和重新排序。精確一次處理需要來源、處理器和接收器之間的協調。正確實現這些非常複雜。一旦出錯，結果就會不一致或重複。流處理對於需要即時洞察的用例非常強大，但對於夜間報告來說則過於複雜。批次和流處理之間的選擇取決於延遲要求。如果可以接受幾分鐘或幾小時的延遲，批次處理更簡單、更經濟。如果延遲時間以秒為單位，則串流處理是唯一選擇。

流程處理特性

• 連續式－處理到達的事件
• 低延遲——毫秒至秒級
• 有狀態的 — 在事件之間保持狀態
• 複雜——處理延遲和亂序數據
• 可擴展－分佈在多個節點上

流處理是批次的一種反向操作。它不是等待資料累積，而是立即處理每個出現的事件。