批处理适合数据量大、时效性要求低、计算逻辑复杂的场景，如日志归档、报表生成、模型训练前的数据清洗，强调稳定性与可重试性，而非实时响应。

批处理适合什么场景

当数据量大、时效性要求低、计算逻辑复杂时，batch processing 是更稳妥的选择。比如日志归档、报表生成、模型训练前的数据清洗——这些任务不依赖实时反馈，反而需要稳定性和可重试性。

常见错误现象：MemoryError 频发、TimeoutError 在实时链路中反复出现，本质是把批处理的负载硬塞进流式通道。

• 用 pandas.read_csv() 一次性读全量文件，比用 iterrows() 边读边处理快 3–5 倍（I/O 主导时）
• 避免在批任务里调用外部 HTTP 接口；若必须，加 retry 和 timeout，否则单个失败拖垮整批
• chunksize 参数不是越大越好：设为 10000 可能压爆内存，5000 更平衡；实测需结合 sys.getsizeof() 观察单 chunk 占用

实时处理该在哪卡住边界

真正需要 real-time 的，往往只是“亚秒级响应”，而非毫秒级。Python 的 GIL 和解释器开销决定了它不适合高吞吐低延迟场景，但做轻量级事件响应完全可行。

使用场景：用户行为埋点入库、告警规则匹配、IoT 设备心跳续期——这些任务的关键不是快，而是“不丢、不错、可追溯”。

立即学习“Python免费学习笔记（深入）”；

python-parallelization

将顺序 Python 代码转换为并行/并发实现，用于在需要并行化 Python 代码、提升性能时使用。

下载

• 别用 threading 处理高并发 I/O；改用 asyncio + aiohttp 或 aiokafka，否则线程数一涨就卡死
• time.sleep(1) 在异步循环里等于阻塞整个 event loop；换成 await asyncio.sleep(1)
• Kafka 消费者用 auto_offset_reset='latest' 时，新服务启动会跳过积压消息；生产环境务必设为 'earliest' 并配合 enable_auto_commit=False

混用时怎么避免状态错乱

批和实时共存时，最危险的是共享同一份中间状态，比如都往同一个 sqlite 文件写，或都读写一个 dict 缓存。

典型错误现象：批任务跑完更新了统计值，实时任务却读到旧缓存，导致告警误触发或漏触发。

• 状态分离：批处理写 parquet 或 csv 到 /data/processed/，实时任务只读 /data/streaming/ 下的 JSON 行文件
• 时间戳对齐：批任务输出带 batch_end_time 字段，实时任务处理时检查事件 event_time 是否早于该值，早于则丢弃（防重复）
• 不要用 global 变量存计数器；改用 Redis 的 INCR 或 atomic_add，否则多进程下数值直接飞掉

性能拐点在哪，怎么提前发现

Python 的批与实时没有绝对分界线，只有资源消耗陡增的临界点。这个点通常出现在 CPU 使用率持续 >70% 或内存增长斜率突变时。

容易被忽略的是 GC 压力：大批量对象创建后未显式 del，或循环引用未解，会导致 gc.collect() 频繁触发，CPU 尖刺明显但日志无报错。

• 用 memory_profiler 的 @profile 装饰器定位峰值内存位置，比看 top 更准
• 实时管道加 logging.info(f"msg_size={len(msg)}")，突然出现 10MB+ 消息，大概率是上游序列化出问题
• 批任务启动前先跑 psutil.virtual_memory().available，剩余

事情说清了就结束。关键不是选批还是流，而是清楚每个环节谁负责哪段延迟、谁承担哪类失败。