Windowing dan Agregasi Berstatus di Kafka Streams
Pelajari cara melakukan agregasi berbasis jendela waktu dan mengelola penyimpanan status di Kafka Streams untuk menghitung jumlah berjalan, total, dan metrik pada aliran peristiwa.
Windowing dan Agregasi Berstatus di Kafka Streams adalah pelajaran Advanced Spring Boot 4: Event-Driven Architecture (Kafka) gratis di CoddyKit. Ini adalah pelajaran 4 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Advanced Spring Boot 4: Event-Driven Architecture (Kafka), dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Advanced Spring Boot 4: Event-Driven Architecture (Kafka) mencakup 4 pelajaran total.
Bagian dari pelajaran ini belum diterjemahkan dan ditampilkan dalam bahasa Inggris.
Stateful vs Stateless
Operations like map and filter are stateless. Aggregations such as counting or summing require state that persists across records.
Kafka Streams manages this state for you in local state stores.
Grouping a Stream
Before aggregating you group records by key with groupByKey or groupBy.
KGroupedStream<String, Order> grouped =
orders.groupBy((key, order) -> order.getCustomerId());Counting per Key
A simple aggregation: count orders per customer. The result is a KTable backed by a state store.
KTable<String, Long> counts = grouped.count();General Aggregation
Use aggregate for custom accumulation. You provide an initializer and an adder function.
KTable<String, Double> totals = grouped.aggregate(
() -> 0.0,
(key, order, sum) -> sum + order.getAmount());Introducing Windows
Often you want aggregations over a time window, e.g. orders in the last 5 minutes. Kafka Streams supports tumbling, hopping, and session windows.
Tumbling Windows
A tumbling window is fixed-size and non-overlapping. Each record belongs to exactly one window.
grouped
.windowedBy(TimeWindows.ofSizeWithNoGrace(Duration.ofMinutes(5)))
.count();Hopping Windows
Hopping windows have a size and a smaller advance, so they overlap. A record can fall into multiple windows.
TimeWindows.ofSizeAndGrace(Duration.ofMinutes(5), Duration.ofSeconds(30))
.advanceBy(Duration.ofMinutes(1));Session Windows
Session windows group records separated by gaps of inactivity — ideal for user sessions where activity bursts then pauses.
grouped
.windowedBy(SessionWindows.ofInactivityGapWithNoGrace(Duration.ofMinutes(10)))
.count();State Store Fault Tolerance
State stores are backed by compacted changelog topics in Kafka. If an instance fails, its state is rebuilt from the changelog on another instance.
Querying State Interactively
Interactive Queries let you read state store values directly from the application, exposing aggregations via a REST endpoint without an external database.
ReadOnlyKeyValueStore<String, Long> store =
streams.store(StoreQueryParameters.fromNameAndType(
"counts", QueryableStoreTypes.keyValueStore()));Putting It Together
Windowed, stateful aggregations turn raw event streams into live metrics. Group by key, choose a window type, aggregate, and optionally expose the state via interactive queries.
Quick Check
Test your understanding of windowing.
Recap
You learned windowing and stateful aggregations.
- Group with
groupByKeybefore aggregating. - Use
countoraggregateto build a KTable. - Tumbling, hopping, and session windows handle time differently.
- State stores are fault-tolerant via changelog topics.
Belajar Advanced Spring Boot 4: Event-Driven Architecture (Kafka) dengan tutor AI — gratis
Tulis dan jalankan kode asli di browser kamu, dapatkan bantuan instan dari tutor AI 24/7, dan lanjutkan di mana kamu tinggalkan di web atau aplikasi.
- Kursus
- 12
- Pelajaran
- 48
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Windowing dan Agregasi Berstatus di Kafka Streams” gratis?
Ya — teks lengkap “Windowing dan Agregasi Berstatus di Kafka Streams” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Advanced Spring Boot 4: Event-Driven Architecture (Kafka), upgrade ke CoddyKit PRO. Kursus Advanced Spring Boot 4: Event-Driven Architecture (Kafka) mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Windowing dan Agregasi Berstatus di Kafka Streams”?
Pelajari cara melakukan agregasi berbasis jendela waktu dan mengelola penyimpanan status di Kafka Streams untuk menghitung jumlah berjalan, total, dan metrik pada aliran peristiwa. Kamu berlatih Advanced Spring Boot 4: Event-Driven Architecture (Kafka) dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai Advanced Spring Boot 4: Event-Driven Architecture (Kafka)?
Tidak diperlukan pengalaman sebelumnya. Advanced Spring Boot 4: Event-Driven Architecture (Kafka) di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 4 dari 4.
Berapa lama pelajaran “Windowing dan Agregasi Berstatus di Kafka Streams” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran Advanced Spring Boot 4: Event-Driven Architecture (Kafka) ini?
Ya. Setiap pelajaran Advanced Spring Boot 4: Event-Driven Architecture (Kafka) menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Pengantar Kafka Streams
- Pemrosesan Aliran dengan KStream & KTable
- Membangun Aplikasi Aliran Sederhana
- Windowing dan Agregasi Berstatus di Kafka Streams