“现在AI和数据处理密不可分，80%的企业可以利用Apache NiFi轻松解决复杂的数据问题，快速完成场景建设。犹如花上百来块钱在家享受一顿不亚于五星级西餐厅的法式大餐。对于全栈式的数据分析师或者数据应用的Java研发工程师，NiFi让其摆脱复杂的数据工程，而是将精力放在分析和应用的创新之上。而NiFi的GUI也着实令人赏心悦目！”

1.Apache NiFi

说到数据平台，很多人的第一反应要么是ETL/ELT，要么是Spark或Hadoop，要么是Flink，要么是各式各样的湖仓技术，例如Delta Lake。小编多年来根据不同的业务场景规划落地不少数据平台，很清楚的明白维护一套数据处理套件成本不菲。先不说调度引擎、运算引擎、数据治理引擎和存储引擎，光是数据质量和产出效益就让很多企业管理者头疼，况且现代化的技术体系都依托云原生，这也是不小的一块投入。就算下定决心建设数据平台，技术路线抉择和人才储备则是另一大难题。要知道如何选择最合适的技术至关重要，和2B产品线的生死掌握在靠谱的产品经理手中一样。

现在AI时代已经到达，如何快速且以较低的成本进行数据处理和微治理则十分重要。毕竟现在的节奏越来越快，从商业的角度，小投入，快应用，螺旋式的加大投资成为很多人的选择。回顾过去十年，加之最近在数据领域的咨询量增加，小编认为是时候介绍一下NiFi，让它能够得到最对等的尊重。回顾这十年，NiFi走得很稳，正如它的官网所介绍的一样，NiFi是强大、可靠、简单易用的处理和分发数据的系统。

简单而言Apache NiFi是一款开源的数据流处理工具，提供了强大的数据采集、传输、转换和处理能力。它可以帮助用户轻松地构建可扩展、高度可配置的数据流处理管道，支持从各种来源（包括本地磁盘、网络、传感器等）获取数据，并将其路由、转换、过滤和聚合后输出到各种目标（包括 Hadoop、HDFS、Kafka、Solr等）。同时，Apache NiFi 还提供了直观的可视化界面，帮助用户快速构建和管理数据流处理任务。

Apache NiFi的体系结构基于可插拔的Processor、Controller Service和自定义Extension，使其能够快速适应不同的场景和需求，同时保持高性能和可靠性。NiFi的里层还依托Java虚拟机，建立在Spring基础上。根据处理流量的大小，决定了其对系统资源的占用情况以及是否需要硬件支持。

如上图所示，NiFi支持单机和集群模式。在分布式部署的情况下，ZK作为分布式一致性的中间件。每个节点都建立在JVM的基础上，中间是各种处理数据的Processor，底层则是NiFi的数据存储仓库以及数据监管机制。

上图为数据流工程的一部分，可以进行分领域设计。简单、干净和高可靠。

2.数据模型

NiFi的整体框架下，数据模型被建模为FlowFile，请记住这个术语。它由内容（Content）和属性（Attribute）两部分组成。毕竟在物理世界，任何的数据消息都是由消息体和头部信息组成。一系列的处理组件在相同的规范下互相连接形成处理管道。数据会沿着管道进行流动形成数据流。同时，NiFi的组件很丰富，截止到1.27的版本已经接近+。<不够用，没问题，可以自己定义。>

每个组件都是FlowFile进，FlowFile出。每份数据都会从流的开始传输到流的结束。默认情况下，它使用已NiFi的存储介质作为机制，例如本地磁盘，因此NiFi对于I/O的要求比较高。

FlowFile Content存储着数据主体信息，可以理解为文本内容，可以是Json格式，也可以是二进制文件等等。而FlowFileAttribute则是添加到每个FlowFile文件上面的Key-Value对，也即为键值对。

这些属性的有一部分是NiFi系统给每个FlowFile加上（例如FlowFile创建时间、FlowFile大小、uuid等等），也可以使用户自行添加的属性对，还可以是由Processor（每个处理节点）自己设置，用来标明这些数据的特定属性或状态。

每个流的数据都可以在NiFi GUI可视化直观的跟踪和显示，尤其可以追溯每份数据处理的链路图，比如源头和处理的组件，类似数据的血缘追踪。

本文转载自​​，作者：​​