Kafka Streams und ksqlDB beherrschen

Kapitel 5. Fenster und Zeit

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Zeit ist ein so wichtiges Konzept, dass wir unser Leben an ihrem Vergehen messen. Jedes Jahr steht ein halbes Dutzend Menschen um mich herum und singt "Happy Birthday", und wenn sich der letzte Ton in Luft auflöst, wird dieser geheimnisvollen Kraft ein Kuchen zu Füßen gelegt. Ich denke gerne, dass der Kuchen für mich ist, aber er ist für die Zeit.

Die Zeit ist nicht nur eng mit der physischen Welt verwoben, sondern sie durchdringt auch unsere Ereignisströme. Um das volle Potenzial von Kafka Streams auszuschöpfen, müssen wir die Beziehung zwischen Ereignissen und Zeit verstehen. In diesem Kapitel wird diese Beziehung im Detail untersucht und wir werden praktische Erfahrungen mit Fenstern sammeln. Mit Fenstern können wir Ereignisse in expliziten Zeitabschnitten gruppieren und fortgeschrittene Joins und Aggregationen erstellen (die wir im vorigen Kapitel kennengelernt haben).

Am Ende dieses Kapitels wirst du die folgenden Punkte verstehen:

• Die Unterschiede zwischen Ereigniszeit, Aufnahmezeit und Verarbeitungszeit

• Wie man einen benutzerdefinierten Zeitstempel-Extraktor erstellt, um Ereignisse mit einem bestimmten Zeitstempel und einer Zeitsemantik zu verknüpfen

• Wie die Zeit den Datenfluss durch Kafka Streams steuert

• Welche Arten von Fenstern werden in Kafka Streams unterstützt?

• Wie man Fenster-Joins durchführt