syhiiu的博客

本文为flink车联网项目：维表离线同步，后续章节为：ods层具体实现。

本文为flink车联网项目：业务实现2(维表开发)，后续章节为：维表离线同步。

本文为flink车联网项目：业务实现1，后续章节为：维表开发

本文为flink车联网项目前期准备：数据仓库开发。由于篇幅过长，后续章节：业务实现。

本文主要详解了维度建模和flink车联网项目的建模设计。由于篇幅过长，后续章节：数据开发。

本文介绍车联网项目设计，数仓分层，数仓主题，数据建模。

本文为Flink-业务开发章节前篇：数据仓库设计详解。后续章节：Flink实战车联网项目数仓设计。

本文主要详解了DataWorks的数据运维.

本文主要详解了DataWorks的数据开发（后续），为第五部分：由于篇幅过长，分章节进行发布。后续： 数据运维

本文主要详解了DataWorks的数据同步，为第四部分：由于篇幅过长，分章节进行发布。后续： 数据开发。

本文主要详解了DataWorks的数据开发流程及操作，为第三部分：由于篇幅过长，分章节进行发布。后续： 运维中心的使用。

本文主要详解了DataWorks的数据集成，为第二部分：由于篇幅过长，分章节进行发布。后续： 数据集成的使用 数据开发流程及操作 运维中心的使用。

本文主要详解了DataWorks基本功能，为第一部分：由于篇幅过长，分章节进行发布。后续： 数据集成的使用 数据开发流程及操作 运维中心的使用

本文为Flink-StarRocks详解后续章节：主要详解StarRocks数仓场景：即席查询大案例

本文为Flink-StarRocks详解后续章节：主要详解StarRocks查询数据湖由于篇幅过长，后续接着下面进行详解：数仓场景：即席查询大案例

本文为Flink-StarRocks详解后续章节：主要详解StarRocks分区分桶管理，数据压缩，由于篇幅过长，后续接着下面进行详解： StarRocks查询数据湖 实现即席查询案例。

本文为Flink-StarRocks详解后续章节：主要详解StarRocks分区分桶由于篇幅过长，后续接着下面进行详解： StarRocks查询数据湖 实现即席查询案例需要显式列出每个 List 分区所包含的枚举值列表，并且值不需要连续，区别于包含连续日期或者数值范围的 Range 分区。当新数据导入表中时，StarRocks 会根据数据的分区列值与分区的映射关系将数据分配到相应的分区中。List 分区适用于存储具有少量枚举值列的数据、并且经常按列的枚举值来查询和管理数据的场景。

本文为Flink-StarRocks详解后续章节：主要详解StarRocks表设计，聚合，更新，主键三大数据模型。由于篇幅过长，后续接着下面进行详解： StarRocks分区分桶 StarRocks查询数据湖 实现即席查询案例。

本文主要详解StarRocks系统架构，适用场景，产品特性。StarRocks 是新一代极速全场景 MPP (Massively Parallel Processing) 数据库。StarRocks 的愿景是能够让用户的数据分析变得更加简单和敏捷。用户无需经过复杂的预处理，就可以用 StarRocks 来支持多种数据分析场景的极速分析。

本文主要详解了Paimon数据湖的使用。

本文解析了Lambda 架构，Kappa 架构，以及在大数据场景中，如何选择架构。

本文主要概述了Flink-CDC

经典数仓架构，传统离线大数据架构背景解析。

本文主要详解了Flink架构，通过案例详解Flink流式开发，本地提交，阿里云平台提交。

Apache Flink的窗口机制是处理实时流数据的关键功能之一，它允许开发者将数据流切分成有限的“块”（或称为“窗口”），并在这些块上执行计算。本文对Flink窗口机制的详细解析，并结合具体例子进行分析。

本文主要详解常见的Flink优化策略。

本文通过案例方式详解-Flink-Checkpoint机制。

Watermark机制，在Apache Flink这样的流处理框架中，扮演着至关重要的角色，特别是在处理事件时间（Event Time）窗口时，它能够有效解决数据乱序和延迟到达的问题，本文对Watermark机制的详细解析，涵盖其定义、原理、应用场景、核心算法以及优化策

Apache Flink 是一个开源的流处理框架，用于处理无界和有界数据流。其底层原理复杂而精细，涉及到数据流模型、任务调度与执行、内存管理、容错机制等多个方面。本文是对 Flink 底层原理的详细分析，并通过举例来说明这些原理。