何時在處理時間中？
| 可配置的觸發 |
|---|
| 事件時間觸發器 |
| 處理時間觸發器 |
| 計數觸發器 |
| 複合觸發器 |
| 允許的延遲 |
| 計時器 |
| Google Cloud Dataflow | Apache Flink | Apache Spark (基於RDD/DStream) | Apache Spark 結構化串流 (基於Dataset) | Apache Samza | Apache Nemo | Hazelcast Jet | Twister2 | Python Direct FnRunner | Go Direct Runner |
|---|
是：完全支援 在串流模式下完全支援。在批次模式下，中間觸發的啟動實際上沒有意義。 | 是：完全支援 | 是：完全支援 | 部分：在批次模式下完全支援 | 是：完全支援 | 是：完全支援 | 是：完全支援 | 是：完全支援 |
是：在串流中為是，在批次中為固定的粒度 在串流模式下完全支援。在批次模式下，一旦輸入完全被消耗，水印進度目前會從時間的開始跳到時間的結束，因此沒有額外的觸發粒度可用。 | 是：完全支援 | 是：完全支援 | 部分：在批次模式下完全支援 | 是：完全支援 | 是：完全支援 | 是：完全支援 | 是：完全支援 |
是：在串流中為是，在批次中為固定的粒度 在串流模式下完全支援。在批次模式下，從觸發器的角度來看，一旦輸入完全被消耗，處理時間目前會從時間的開始跳到時間的結束，因此沒有額外的觸發粒度可用。 | 是：完全支援 | 是：這是 Spark 串流的原生模型 Spark 以微批次處理串流。微批次的大小實際上是一個預設的、固定的時間間隔。目前，執行器會採用管道中的第一個視窗大小，並將其大小設定為批次間隔。任何後續的視窗操作都將被視為處理時間視窗，並會影響觸發。 | 部分：在批次模式下完全支援 | 是：完全支援 | 是：完全支援 | 是：完全支援 | 是：完全支援 |
是：完全支援 在串流模式下完全支援。在批次模式下，元素會以盡可能大的捆綁包進行處理，因此基於計數的觸發實際上沒有意義。 | 是：完全支援 | 是：完全支援 | 部分：在批次模式下完全支援 | 是：完全支援 | 是：完全支援 | 是：完全支援 | 是：完全支援 |
是：完全支援 | 是：完全支援 | 是：完全支援 | 部分：在批次模式下完全支援 | 是：完全支援 | 是：完全支援 | 是：完全支援 | 部分 |
是：完全支援 在串流模式下完全支援。在批次模式下，永遠不會有延遲的數據。 | 是：完全支援 | 否 | 否：執行器中沒有串流支援 | 是：完全支援 | 是：完全支援 | 是：完全支援 | 部分 |
部分：非合併視窗 Dataflow 在非合併視窗中支援計時器。 | 部分：非合併視窗 Flink Runner 在非合併視窗中支援計時器。 | 部分：在批次模式下完全支援 | 否：尚未實作 | 部分：非合併視窗 Samza Runner 在非合併視窗中支援計時器。 | 否：尚未實作 | 部分：非合併視窗 | 部分 |
上次更新於 2024/10/31
您是否找到了您要找的所有內容？
它是否都很有用且清楚？是否有任何您想更改的地方？請告訴我們！