2020年，阿里巴巴实时团队提出“批流一体”的理念，期望依托Flink框架解决企业数据分析的以下几个核心问题。

1、批流一体的理念

（1）、统一开发人员角色，现阶段企业数据分析有两个团队，一个团队负责实时开发，一个团队负责离线开发，在流批一体的理念中，期望促进两个团队的融合。

(2)、统一数据处理技术，不管实时开发，还是离线开发都是用Flink框架进行，如非必要，尽可能少用其它系统

(3）、当前企业数据分析，有两套班子，两套技术体系，两套计算模式，导致实时数据和离线数据经常对不上，期望通过Flink SQL的方式，让离线和实时计算逻辑保持一致。

2、批流一体的方向

Flink框架是一个纯粹的计算框架，没有数据存储的组件进行配套，在企业进行批流一体的实践中，演化出了三种不同的路径，分别是基于Flink Streaming Sink技术的STG/ODS层实时化、基于实时OLAP引擎的Upsert实时实时化、基于Flink 流计算模式的实时化。

1. 基于Flink Streaming Sink等相关技术，实现对HDFS文件系统的实时写入，通常将增量数据写入到数据仓库的STG或ODS层，然后基于写入的数据进行半小时或一小时作业的调度配置。
2. 基于Flink Stream/Flink SQL等相关技术，利用实时OLAP引擎提供的Upsert功能，将实时数据增量更新到OLAP引擎中，或者将实时数据加工成宽表后实时更新到OLAP引擎中，然后在OLAP引擎上使用SQL方式进行数据计算。
3. 基于Flink Stream/Flink SQL等相关技术，直接得到分析结果。

3、流批一体的实践

1. ODS层实时化方向：将Kafka的数据实时写入到HDFS，已经非常普及，成为数据入仓的重要手段。
2. OLAP引擎实时方向：1、阿里巴巴 主要在推进 Flink + Hologres的解决方案，有一套比较推荐的方式，先通过Flink计算宽表，然后将数据写入到Hologres进行实时的聚合或点查操作。这套方向属于商业化的方案，需要付费。 2、非商业化的方案中，目前国内比较热门是 Flink + Drois 方案，类似的Flink + Kudu方案在国内的热度在下降（也可选择）。 3、基于实时OALP引擎构建完整的数据仓库，包含STG、ODS、DWD/DWS、ADS等分层模型，这个方案比价适合数据量较小的公司。
3. 单纯使用Flink框架的方向：主要是在尝试和探索Flink SQL在流数据、批数据上的效果。

4、其它类似的理念

1. Spark框架的“流批一体”，在大数据技术栈中Spark是一个非常重要的框架，使用Spark既可以处理离线数据、实时数据、机器学习还能做图计算，目前在国内外使用的都比较广泛，特别是国外是远超Flink的，只是在国内不经常发声导致关注度降低不少。