Pular para o conteúdo principal

Questão de Banco de Dados — Big Data — FCC 2025

Banco de DadosBig Data
Código
fc073217
Banca
FCC
Órgão
Prefeitura de São Paulo - SP
Ano
2025
Nível
Superior
Cargo
Analista de Planejamento e Desenvolvimento Organizacional Tecnologia da Informação e Comunicação
Considere as características técnicas das ferramentas Flink e Spark Streaming, submetidas ao consumo de um mesmo stream of data do Kafka, em condições ideais.I. Processa dados em true real-time, lidando com cada evento assim que ele chega.II. O modo de micro-batch introduz um pequeno delay (latência) entre a ingestão e o processamento dos dados devido à coleta em lote.III. Mostra um fluxo mais continuo de resultados, especialmente se nenhum windowing ou batching estiver envolvido.IV. Mais adequado para pipelines de ETL e análises de logs, nos quais a latência dos micro-batching é aceitável.V. O modelo de processamento de fluxo real garante semântica exactly-once para o processamento de eventos, o que é essencial para aplicações críticas.As características estão corretamente atribuídas às ferramentas em:
  1. AFlink - II e IVSpark - I, III e V
  2. BFlink - I, III e IVSpark - II e V
  3. CFlink - II e VSpark - I, III e IV
  4. DFlink - I, III e VSpark - II e IV
  5. EFlick - I e IVSpark - II, III e V
Revelar gabarito e comentário

GabaritoD — Flink - I, III e V Spark - II e IV

Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.

Apache Flink e Spark Streaming: Processamento de Fluxo

Gabarito: letra D. Flink é um motor de processamento de fluxo verdadeiro (evento a evento), com baixa latência, exatamente-uma vez e resultados contínuos; Spark Streaming opera por micro-batches, introduzindo latência mas sendo ideal para ETL e logs. Assim, as características I, III e V pertencem ao Flink; II e IV, ao Spark Streaming.

Análise dos Itens

Item I — "Processa dados em true real-time, lidando com cada evento assim que ele chega." ✅ Flink

O Apache Flink é projetado para processamento de fluxo nativo, tratando cada evento individualmente à medida que chega, sem agrupamento em lotes. Isso caracteriza o verdadeiro tempo real.

Item II — "O modo de micro-batch introduz um pequeno delay (latência) entre a ingestão e o processamento dos dados devido à coleta em lote." ✅ Spark Streaming

O Spark Streaming divide o fluxo contínuo em micro-batches (ex.: a cada 1 segundo), processando cada lote como um pequeno job. Esse agrupamento gera latência adicional, característica central do modelo.

Item III — "Mostra um fluxo mais contínuo de resultados, especialmente se nenhum windowing ou batching estiver envolvido." ✅ Flink

Como o Flink processa eventos um a um sem esperar por lotes, os resultados são emitidos de forma contínua, mesmo sem operações de janela, diferentemente do Spark Streaming que só libera resultados ao final de cada micro-batch.

Item IV — "Mais adequado para pipelines de ETL e análises de logs, nos quais a latência dos micro-batching é aceitável." ✅ Spark Streaming

Spark Streaming é amplamente usado para cargas de trabalho que toleram alguns segundos de latência, como ETL e análise de logs, onde o alto rendimento e a integração com o ecossistema Spark compensam o pequeno delay.

Item V — "O modelo de processamento de fluxo real garante semântica exactly-once para o processamento de eventos, o que é essencial para aplicações críticas." ✅ Flink

O Flink oferece garantia exactly-once de forma nativa graças ao seu checkpointing consistente e ao modelo de processamento orientado a eventos, sendo indicado para aplicações que exigem precisão total.

Conclusão: Flink: I, III, V; Spark: II, IV → alternativa D.

Link permanente: /questoes/fc073217