Skip to main content
Back to top
Ctrl
+
K
Flink 原理与实践
1. 大数据技术概述
1.1. 什么是大数据
1.2. 从批处理到流处理
1.3. 代表性大数据技术
1.4. 从 Lambda 到 Kappa：大数据处理平台的演进
1.5. 流处理基础概念
1.6. 编程语言的选择
1.7. 案例：使用 Kafka 构建文本数据流
2. 大数据必备编程知识
2.1. 继承和多态
2.2. 泛型
2.3. 函数式编程
2.4. 案例实战：Flink 开发环境搭建
3. Flink的设计与运行原理
3.1. Flink 数据流图
3.2. 架构与核心组件
3.3. 任务执行与资源划分
3.4. 案例实战：WordCount
4. DataStream API
4.1. Flink 程序的骨架结构
4.2. Transformations
4.3. 数据类型和序列化
4.4. 用户自定义函数
4.5. 案例实战：股票数据流处理
5. 时间和窗口
5.1. Flink 的时间语义
5.2. ProcessFunction
5.3. 窗口算子
5.4. 双流关联
5.5. 迟到数据
5.6. 案例实战：股票价格
6. 状态与检查点
6.1. 实现有状态的计算
6.2. Checkpoint
6.3. Savepoint
6.4. 案例实战：电商用户行为
7. Flink 连接器
7.1. Flink 端到端的 Exactly-Once 保障
7.2. 自定义 Source 和 Sink
7.3. Flink 中常用的 Connector
7.4. 案例实战：读取并输出股票价格数据流
8. Table API & SQL
8.1. Table API & SQL 综述
8.2. 动态表和持续查询
8.3. 时间和窗口
8.4. Join
8.5. SQL DDL
8.6. 系统函数
8.7. 用户自定义函数
8.8. 案例实战：SQL on IoT
9. Flink 的部署和配置
9.1. Flink 集群部署模式
9.2. 配置文件
9.3. 算子链与槽位共享
9.4. 命令行工具
9.5. 与 Hadoop 集成
9.6. 案例实战：作业编码、打包与提交
Search
Error
Please activate JavaScript to enable the search functionality.
Ctrl
+
K
