Lambda Architecture 能与加法算法很好地协同工作。 因此，在另一种情况下，我们需要考虑使用近似算法，例如，使用HyperLogLog处理count-distinct的问题等。
实现
有许多实现Lambda架构的方法，因为对于每个层的底层解决方案是非常独立的。每个层需要底层实现的特定功能，有助于做出更好的选择并避免过度决策：
批量层(Batch Layer)：写一次，批量读取多次
服务层(Serving layer)：随机读取，不支持随机写入，批量计算和批量写入
速度层(Speed layer)：随机读取，随机写入;增量计算
例如，其中一个实现方案的构成(使用Kafka，Apache Hadoop，Voldemort，Twitter Storm，Cassandra)可能如下图所示：
Apache Spark
Apache Spark可以被认为是用于Lambda架构各层的集成解决方案。其中，Spark Core 包含了高层次的API和优化的支持通用图运算引擎，Spark SQL用于SQL和结构化数据处理、 Spark Streaming 可以解决高拓展、高吞吐、容错的实时流处理。在批处理中使用Spark可能小题大做，而且不是所有方案和数据集都适用。但除此之外，Spark算是对Lambda Architecture的合理的实现。
示例应用
下面通过一些路径创建一个示例应用，以展示Lambda Architecture，其主要目的是提供#morningatlohika tweets(一个由我在Lviv, Ukraine发起的本地技术演讲，)这个hash标签的统计：包括之前到今天这一刻的所有时间。
源码在GitHub 上，有关这个主题的更多信息可以在Slideshare上找到。
批处理视图(Batch View)
简单地说，假定我们的主数据集包含自开始时间以来的所有更新。 此外，我们已经实现了一个批处理，可用于创建我们的业务目标所需的批处理视图，因此我们有一个预计算的批处理视图，其中包含所有与#morningatlohika相关的标签统计信息：
编号很容易记住，因为，为方便查看，我使用对应标签的英文单词的字母数目作为编号。
实时视图
假设应用程序启动后，同时有人发如下tweet：
“Cool blog post by @tmatyashovsky about #lambda #architecture using #apache #spark at #morningatlohika”
此时，正确的实时视图应该包含如下的hash标签和统计数据(本例中都是1，因为每个hash标签只用了一次)：
查询
当终端用户查询出现是，为了给全部hash标签返回实时统计结果，我们只需要合并批处理视图和实时视图。所以，输出如下所示编码(hash标签的正确统计数据都加了1)：
场景
示例中的场景可以简化为如下步骤：
用Apache Spark创建批处理视图(.parquet)
在Spark中缓存批处理视图
将流处理应用连接到Twitter
实时监视包含#morningatlohika 的tweets
构造增量实时视图
查询，即，即时合并批处理视图和实时视图
技术细节
此源代码是基于Apache Spark 1.6.x(注：再引入结构流之前)。 Spark Streaming架构是纯微型批处理架构：
所以当我处理一个流媒体应用程序时，我使用DStream来连接使用TwitterUtils的Twitter：
在每个微批次中(使用可配置的批处理间隔)，我正在对新tweets中的hashtags统计信息进行计算，并使用updateStateByKey()状态转换函数来更新实时视图的状态。简单地说，就是使用临时表将实时视图存储在存储器中。
查询服务反映了批处理的合并过程和通过代码表示的DataFrame实时视图：
