Stream processing
Why Kafka Stream
以前，用Kafka构造流处理程序时有两个选择：
- 直接拿Consumer和Producer的API进行开发。当直接使用Kafka consumer和producer API时，你如果想要实现比较复杂的逻辑，像聚合和join,就得在这些API的基础上自己实现，还是有些麻烦。
- 采用一个成熟的流处理框架。如果用流处理框架，那么就添加了很多很多复杂性，对于调试、性能优化、监控，都带来很多困难。
Kafka Streams是Apache Kafka项目（0.10+版本）的一部分，广泛地支持streaming ETL场景。解决应用状态管理，agg和join操作，基于event-time计算，兼容乱序数据和迟到数据处理等关键问题。Kafka Streams的实现大量借助了Kafka的能力，可以在任何地方部署java进程运行流分析作业，不依赖单独的计算集群，使用Kafka Streams API的程序同时扮演消费者和生产者的角色。
轻量库
Kafka Stream相比于主流的Storm、Spark Streaming、Flink等，优势在于轻量级，就像Kafka的Producer和Consumer，可以轻松将Kafka Streams整合到自己的应用程序中。除了Apache Kafka之外没有任何其它外部依赖， 并且可以在任何Java应用程序中使用，不需要为流处理需求额外部署一个其它集群。
高可用
Kafka Streams使用Kafka作为内部消息通讯存储介质，不需要重新加入其它外部组件来做消息通讯。使用Kafka的分区水平拓展来对数据做有序高效的处理，这样同时兼顾了高性能，高扩展性，并使操作简便。另外支持本地状态容错，本地状态被保存在Kafka中，在机器故障的时候，其他机器可以自动恢复这些状态继续处理。
低延时
毫秒级延迟，并非微批处理，这也是Kafka Streams和其他基于微批处理的流处理框架的不同。Kafka Streams的API与Spark中的非常相似，有非常多相同意义的算子，对于擅长Spark编程的人员来说，写一个Kafka流处理不需要额外进行太多的学习
客户案例
纽约时报使用Apache Kafka 和Kafka Streams将发布的内容实时存储和分发到各种应用程序和系统，以供读者使用。
Pinterest 大规模使用Apache Kafka和Kafka Streams 来支持其广告基础架构的实时预测预算系统。使用Kafka Streams，预测比以往更准确。
作为欧洲领先的在线时尚零售商，Zalando使用Kafka作为ESB（企业服务总线），帮助我们从单一服务架构转变为微服务架构。使用Kafka处理 事件流 使我们的技术团队能够实现近乎实时的商业智能。
荷兰合作银行是荷兰三大银行之一。它的数字神经系统Business Event Bus由Apache Kafka提供支持。它被越来越多的财务流程和服务所使用，其中之一就是Rabo Alerts。此服务会在财务事件时实时向客户发出警报，并使用Kafka Streams构建。
LINE使用Apache Kafka 作为服务的中央数据库，以便彼此通信。每天产生数亿亿条消息，用于执行各种业务逻辑，威胁检测，搜索索引和数据分析。LINE利用Kafka Streams可靠地转换和过滤主题，使消费者可以有效消费的子主题，同时由于其复杂而简单的代码库，保持易于维护性。