你过来，我给你看个宝贝_apache hudi lakehouse

以下是2020年上半年《大数据技术与架构》发表文章合集，请收藏。

01

实时计算篇

• Structured Streaming | Apache Spark中处理实时数据的声明式API

• HyperLogLog函数在Spark中的高级应用

• 基于SparkStreaming+Kafka+HBase实时点击流案例

• 基于Flink SQL构建实时数据仓库

• Flink异步之矛-锋利的Async I/O

• Spark SQL快速入门系列之Hive

• 基于SparkStreaming+Kafka+HBase实时点击流案例

• 三万字长文 | Spark性能优化实战手册

• Flink整合Oozie Shell Action提交任务带Kerberos认证

• Spark源码阅读的正确打开方式

• 消息队列常见面试问题小集合

• Flink1.10和Hive集成一些需要注意的点

• Flink事件时间、水印和迟到数据处理

• Flink使用Broadcast State实现流处理配置实时更新

• 实战 | MySQL Binlog通过Canal同步HDFS

• Flink最难知识点再解析 | 时间/窗口/水印/迟到数据处理

• Hive on Spark参数调优姿势小结

• Flink Logback日志与邮件报警配置

• Kafka设计-恰好一次和事务消息

• 基于Canal和Kafka实现MySQL的Binlog近实时同步

• 一个基于RabbitMQ的可复用的事务消息方案

• Spark性能优化总结

• Flink常见异常和错误信息小结

• Spark SQL快速入门系列之Hive

• 实时计算双星-Flink VS Spark 部署模式对比

• PID算法和Spark实现反压的原理

• 关于SparkSQL的开窗函数，你应该知道这些!

• Spark SQL是如何选择join策略的？

• Spark on Hive & Hive on Spark，傻傻分不清楚

• 来看看一个大二学生的Spark练习题

• Flink 自定义触发器实现带超时时间的 CountWindow

• Spark Kafka 基于Direct自己管理offset

• Apache Kylin | 麒麟出没，必有祥瑞

• Flink 参数配置和常见参数调优

• 利用InfluxDB+Grafana搭建Flink on YARN作业监控大屏

• 网站日志实时分析之Flink处理实时热门和PVUV统计

• 大数据量下的集合过滤—Bloom Filter

• 实时数仓链路分享：kafka =>SparkStreaming=>kudu集成kerberos

• Flink CEP 原理和案例详解

• ProcessFunction：Flink最底层API使用踩坑记录

• Flink 1.10之改进的TaskManager内存模型与配置

• 打通实时流处理log4j-flume-kafka-structured-streaming

• 如何设计实时数据平台（设计篇）

• 如何设计实时数据平台（技术篇）

• SparkSQL内核解析-执行全过程概述

• SparkSQL内核解析之逻辑计划

• Flink-1.10中的StreamingFileSink相关特性

• Kafka下的生产消费者模式与订阅发布模式

• Kafka+Spark Streaming如何保证exactly once语义

• Flink之实时统计热门商品的TopN

• SparkSQL的自适应执行-Adaptive Execution

• Kafka KSQL实战

• ELK+FileBeat+Kafka分布式系统搭建图文教程

• HDFS应用场景、原理、基本架构及使用方法

• 数据模型⽆法复⽤，归根结底还是设计问题

• Hadoop支持Lzo压缩配置及案例

• 快看 | Java连接集成Kerberos的HA HDFS方案

• Kafka消费者分区分配策略及自定义分配策略

• Spark Streaming整合log4j、Flume与Kafka的案例

• 面试必知的 Spark SQL 几种 Join 实现

• Flink在大规模状态数据集下的checkpoint调优

• Write-Ahead Log(WAL预写日志)的工作原理

• Kafka常见的导致重复消费原因和解决方案

• Spark-submit 参数调优完整攻略

• Kafka数据可靠性保证三板斧-ACK/ISR/HW

• Spark常见错误问题汇总

• HBase操作组件：Hive、Phoenix、Lealone

• Redis系列 | 缓存穿透、击穿、雪崩、预热、更新、降级

• Kafka工作流程及文件存储机制

• Redis6.0主从、哨兵、集群搭建和原理

• Spark Streaming官方编程指南

• 【从0开始の全记录】Flume+Kafka+Spark+Spring Boot 统计网页访问量项目

• Spark+Kudu的广告业务项目实战笔记(一)

• 大数据入门：Spark+Kudu的广告业务项目实战笔记(二)

• 大数据入门：Spark+Kudu的广告业务项目实战笔记(三)

• 大数据入门：Spark+Kudu的广告业务项目实战笔记(四)

• 大数据入门：Spark+Kudu的广告业务项目实战笔记(五)

• 大数据入门：Spark+Kudu的广告业务项目实战笔记(六)

• Flink 1.11新特性之SQL Hive Streaming简单示例

• SparkSQL 整体运行架构和底层实现

02

离线计算篇

• ORC文件存储格式的深入探究

• Hadoop支持Lzo压缩配置及案例

• 神策数据分享 | 标签体系应用与建设(文末附下载链接)

• 环形缓冲区-Hadoop Shuffle过程中的利器

• eBay | 实践Hadoop任务的性能翻倍之路

• PDFT/Paxos/Raft-分布式一致性协议解析

• 谈谈经典限流方法—漏桶、令牌桶与Guava RateLimiter的实现

• 轻量级异步屏障快照（ABS）算法解析

• Hadoop小文件利器Ozone

• 数据指标体系建设

• Hbase FAQ热门问答小集合

• 设计HBase RowKey需要注意的二三事

• HBase优化笔记

• HBase生产环境优化不完全指南

• Hive SQL50道练习题

• Hive on Spark参数调优小结

• Hadoop(CDH)分布式环境搭建(简单易懂,绝对有效)

• ConcurrentHashMap锁机制进化的考量

• HBASE列族不能太多的真相

• 基于ClickHouse的用户行为分析实践

• HBase的系统架构全视角解读

• Kylin Cube构建原理+调优

• Hadoop支持Lzo压缩配置及案例

• Apache Hudi 架构设计和基本概念

• HiveSQL常用优化方法全面总结

• MapReduce性能优化大纲

• 从NoSQL运动谈分布式系统的CAP、BASE理论

• HDFS读写数据过程原理分析

• 数据中台建设五步法

• Step by Step 实现基于 Cloudera 5.8.2 的企业级安全大数据平台 - Kerberos的整合

• 一篇文章全面了解监控知识体系

• Sqoop 使用shell命令的各种参数的配置及使用方法

• Hive小知识之分桶抽样

• 数据仓库和数据集市建模体系化总结

• Phoenix(云HBase SQL)核心功能原理及应用场景介绍

• 基于实际业务场景下的Flume部署

• 斗转星移 | 三万字总结Kafka各个版本差异

• Spark SQL自定义函数UDF、UDAF聚合函数以及开窗函数的使用

• SparkSQL用UDAF实现Bitmap函数

• 一文了解Kafka核心概念和角色

• Apache Spark 内存管理详解

• 经典限流方法——漏桶、令牌桶与Guava RateLimiter的实现

• ZooKeeper在HBase集群中的作用

• 从B+树到LSM树，及LSM树在HBase中的应用

• Hadoop Namenode元数据持久化机制与SecondaryNamenode的作用详解

• 干掉ELK | 使用Prometheus+Grafana搭建监控平台

• 盘点：SQL on Hadoop中用到的主要技术

• 用HiveSQL计算连续天数问题的方法

• 浅谈Linux cgroup机制与YARN的CPU资源隔离

• 京东JDHBase异地多活实践

• Kafka的分区数是不是越多越好？

• 一文俯瞰Elasticsearch核心原理

• 不可不说的Java"锁"事

03

数据仓库篇

• 《一文了解数据库和数据仓库》

• 数据仓库系统的实现与使用(含OLAP重点讲解)

• Data Lake 三剑客—Delta、Hudi、Iceberg 对比分析

• 数据也有温度？Elasticsearch 5.x 版本中的冷热数据架构

• 数据冷热分离技术

• 冷热数据分离 | Alluxio元数据管理策略

• 数据之眼 | 数据探查服务的设计

• 元数据存储系统管理演变升级

• 数据湖 | 一文读懂Data Lake的概念、特征、架构与案例

• 用户行为数据采集系统

• 创业公司数据仓库的建设

• Kylin使用Spark构建Cube

• 实时统计分析系统-Apache Druid

• Elasticsearch索引和检索优化与压测监控总结

04

企业面试篇

• 我们常说的海量小文件的根源是什么？

• 如果你在准备面试，好好看看这130道题

• 你可能需要知道的Kafka面试题与部分答案整理

• 28道关于ZooKeeper的面试题

• 【数据白皮书重磅分享】推荐|埋点|用研|标签

• 一份优秀的简历该长成什么样

• 1万2千字长文助力春招 | Netty面试篇

• 消息队列面面观

• 关于技术面试的一点点体会

• 早点建立自己的知识体系

• Filter(过滤)|Project(映射)|Pushdowns(谓词下推)

• 阅读源码｜Spark 与 Flink 的 RPC 实现

• 三万六千字通关MySQL面试

• 深入理解CAP理论和适用场景

• HDFS的SecondaryNameNode作用，你别答错了

• Kafka三种可视化监控管理工具Monitor/Manager/Eagle

• Kafka体系架构详细分解

• Kafka笔记—可靠性、幂等性和事务

• Kafka体系架构详细分解

• Kafka面试题系列(进阶篇)

• Kafka面试题系列(基础篇)

• 面试知识点 | Kafka的数据存储与索引设计

• 面试必考点:HBase Compaction机制

• ZooKeeper需要关注的点

• MySQL中InnoDB及索引深入剖析

• Kafka面试题系列(进阶篇2)

• MySql的Binlog日志工具分析：Canal、Maxwell、Databus、DTS

• Redis中的管道Pipeline操作

• 查看YARN任务日志的几种方式

• Yarn 使用 Cgroup 实现任务资源限制

• 分析和定位线上作业 OOM 问题利器-MAT

• 浅谈ZooKeeper中Kafka相关信息的存储

• JVM架构体系与GC命令小总结

05

O L A P 篇

• 腾讯如何用Elasticsearch挖掘万亿数据价值？

• Apache Beam 大数据处理一站式分析

• Apache Hudi 架构设计和基本概念

• Apache Hudi 架构设计和基本概念

06

其         他

• MySQL8.0发布，你熟悉又陌生的Hash Join？

• 转载一个看不懂的文章：F1 Query

• Apache Hudi | 统一批和近实时分析的增量处理框架

• 寻找5亿次访问中，访问次数最多的人

• 聊聊阿里巴巴的全链路压测

• 年轻人你渴望力量吗 | 我读过的一些书推荐

• 数据算法之反转排序 | 寻找相邻单词的数量

• MySQL Binlog同步HDFS的方案

• 循环查询数据的性能问题及优化

• 推荐系统 embedding 技术实践总结

• Prometheus+Clickhouse实现业务告警

• 亿级用户的分布式数据存储解决方案

• 基于大数据的用户画像构建小百科全书

• 魅族持续交付平台建设实践