核心要点
批处理面向有界数据，一次性读全量、追求高吞吐，结果延迟较高（如 T+1 报表）
流处理面向无界数据，事件到达即处理，追求秒级/毫秒级低延迟
Flink 是原生流引擎，支持事件时间、Watermark 处理乱序、有状态计算与 Exactly-Once
Spark Structured Streaming 是微批模型，把流切成小批，延迟通常略高于原生流
标准回答
有界 vs 无界数据
批处理处理的是有界数据集：数据已落地，作业一次性读取全量，强调吞吐和资源利用率，典型如离线数仓 T+1 跑批。流处理处理无界数据：事件持续流入，作业长期运行，强调端到端低延迟，典型如实时风控、监控大盘。
Flink 的关键能力
Flink 以原生流为核心，批被视为流的特例。它支持事件时间（按数据自带时间戳计算，而非到达时间），用 Watermark 衡量进度并容忍乱序，配合窗口触发结果。Flink 通过分布式快照（Chandy-Lamport）做状态一致性 Checkpoint，可保证 Exactly-Once 语义。
与 Spark Structured Streaming 对比
Spark Structured Streaming 采用微批：把流切成小批次复用批引擎，实现简单、生态成熟，但延迟受批间隔限制，通常在百毫秒到秒级；Flink 逐条处理，延迟更低，状态与事件时间支持更原生。选型时高吞吐离线选批，低延迟有状态实时优先 Flink。
常见误区
⚠️ 常见踩坑
勿把"实时"等同于处理时间；生产中按事件时间+Watermark 才能正确处理乱序与延迟数据。也别认为 Spark 只能批处理，它有 Structured Streaming，只是微批模型。
追问
追问 1：Watermark 是什么，解决什么问题？
Watermark 是流中携带的时间戳标记，表示"事件时间小于该值的数据已基本到齐"。它用于在乱序数据下决定窗口何时触发计算，在等待迟到数据与降低延迟之间做权衡，超过 Watermark 仍迟到的数据可丢弃或走侧输出补偿。
追问 2：Flink 如何保证 Exactly-Once？
Flink 周期性做分布式快照 Checkpoint，对算子状态与 Source 偏移量一致性快照；故障时回滚到最近 Checkpoint 重放。要端到端 Exactly-Once，还需 Sink 支持两阶段提交（如 Kafka 事务）或幂等写入。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。