请阐述在使用 Apache Druid 进行实时数据摄取时，针对数据延迟和数据丢失问题，你会采取哪些处理措施？

回答思路

1. 【回答框架 1】Druid 实时摄取通常通过索引服务（如 Kafka indexing service）或任务来拉取流数据。延迟可能来自缓冲、持久化和段合并过程，而丢失可能源于消费者组管理、offset 提交不当或系统故障。理解这些环节是解决问题的前提。
2. 【回答框架 2】针对延迟，可以调整任务的中间持久化周期、增加分区并行度、合理设置窗口期，或选用更合适的摄取任务类型（如 Kafka indexing task）。同时，根据数据特征预聚合、优化 rollup 策略也能有效降低延迟。
3. 【回答框架 3】针对丢失，需要启用可靠的消费机制，确保 offset 被正确保存。建议开启任务和中间数据的持久化，并配置好任务重启后的恢复策略。在极端情况下，可以采用批量补偿或从源头数据重放。
4. 【回答框架 4】监控和告警是及时发现问题的关键。可以监控摄取任务的状态、消费 lag、数据丢包率等指标，并设置阈值告警，以便快速定位和干预。
5. 【回答框架 5】整体上，应当根据业务对延迟和丢失的容忍度，权衡架构设计。例如，数据重要性高则优先保证不丢失，可接受稍高的延迟；反之则优化处理速度。
6. 【关键点 1】实时摄取延迟主要受中间持久化周期、并行度、窗口期和段合并等因素影响。
7. 【关键点 2】数据丢失可通过可靠的 offset 保存、任务自动恢复以及开启持久化来降低风险。
8. 【关键点 3】需要针对业务需求权衡延迟和丢失的优先级，并建立监控告警体系。
9. 【易错点 1】不要认为开启 exactly-once 语义就能完全避免重复或丢失，实际仍需关注下游幂等性和一致性。
10. 【易错点 2】不要盲目增加并行度，必须结合数据源实际分区数和集群资源，否则可能加剧系统压力。
11. 【易错点 3】忽略任务日志和指标监控，会使得延迟和丢失问题难以被及时发现和定位。