当我访问Apache Spark流媒体网站时，我看到一句话：
Spark Streaming使构建可扩展的容错流应用程序变得容易。
在Apache Flink网站上，有一句话：
ApacheFlink是一个用于可扩展的批处理和流数据处理的开源平台。
什么是streaming application和batch data processing、stream data processing？你能举一些具体的例子吗？它们是为传感器数据而设计的吗？
流式数据分析（与"批处理"数据分析相反）是指对典型的无限数据项流（通常称为事件）进行连续分析。
流媒体应用程序的特点
流数据处理应用程序通常具有以下特点：
-
流式应用程序在很长一段时间内连续运行，并在事件出现时立即消耗和处理事件。相反批处理应用程序在文件或数据库中收集数据，然后进行处理。
-
流应用程序经常关心结果的延迟。延迟是从创建事件到分析应用程序考虑该事件之间的延迟。
-
因为流是无限的，所以许多计算不能不是指整个流，而是指流上的"窗口"。窗口是流事件的子序列（例如最后5分钟）的视图。真实世界窗口统计的一个例子是"过去3天的平均股价"。
-
在流应用程序中，事件发生的时间通常起着特殊的作用。根据事件的时间顺序来解释事件是非常常见的。虽然某些批处理应用程序也可以做到这一点，但这并不是一个核心概念。
流媒体应用程序示例
流数据处理应用程序的典型示例是
-
欺诈检测：应用程序试图弄清楚交易是否符合以前观察到的行为。如果没有，则该事务可能表明有人试图滥用。通常非常延迟关键的应用程序。
-
异常检测：流应用程序为其观察到的事件建立一个统计模型。异常值表示异常并可能触发警报。传感器数据可能是想要分析异常的事件的一个来源。
-
在线推荐者：如果访问网店的用户没有很多过去的行为信息，那么在她浏览页面和浏览文章时，从她的行为中学习，并开始直接生成一些初始推荐，这是很有趣的。
-
最新的数据仓库：关于如何将数据仓库基础设施建模为流式应用程序，有一些有趣的文章，其中事件流是对数据库的一系列更改，流式应用将各种仓库计算为事件流的专用"聚合视图"。
-
还有更多。。。