نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
Flink سیستمی با وضوح ، تحمل و مقیاس بزرگ با تأخیر و توان عملیاتی عالی است. این با مجموعه داده های محدود و غیرمجاز با استفاده از همان معماری زمینه ای جریان اول ، تمرکز بر جریان یا داده های بدون محدودیت کار می کند. Apache Flink یک موتور محاسباتی توزیع شده است که برای پردازش داده های مقیاس بزرگ استفاده می شود. Flink بر اساس مفهوم معماری جریان اول ساخته شده است که جریان منبع حقیقت است. این دوره ، شروع به کار با پردازش جریان با استفاده از Apache Flink ، کاربران را از طریق تجزیه و تحلیل داده های اکتشافی و استفاده از داده ها با Flink پیاده می کند. شما شروع به یادگیری تغییر شکل داده های ساده در جریان هایی مانند نقشه () ، فیلتر () ، flatMap () ، کاهش () ، جمع () ، دقیقه () و حداکثر () در DataStreams ساده و KeyedStreams می کنید. سپس با استفاده از پنجره های tumbling ، sliding ، count و session با جزئیات در مورد تغییرات پنجره اطلاعات کسب خواهید کرد. شما دوره را به پایان برسانید و عملیات را در چندین جریان مانند اتحادیه و پیوندها بررسی کنید. همه اینها با استفاده از نسخه های نمایشی با استفاده از Java API Flink همراه با یک پروژه دنیای واقعی با استفاده از API جریان Twitter است. بعد از تماشای این دوره ، پایه محکمی برای پردازش جریان با استفاده از Apache Flink خواهید داشت.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
-
بررسی اجمالی دوره
Course Overview
درک جریان داده و پردازش جریان
Understanding Streaming Data and Stream Processing
-
چرا پردازش جریان
Why Stream Processing?
-
پردازش دسته ای در مقابل پردازش جریان
Batch Processing vs. Stream Processing
-
الزامات سیستم های پردازش جریان
Requirements of Stream Processing Systems
-
میکرو دسته برای پردازش جریان
Micro-batches for Stream Processing
-
معرفی Apache Flink برای پردازش جریان
Introducing Apache Flink for Stream Processing
-
مشتریان ، استادان و کارگران
Clients, Masters, and Workers
-
Flink را نصب و راه اندازی کنید
Install and Set up Flink
پیاده سازی عملیات اساسی در جریان دادن داده ها
Implementing Basic Operations on Streaming Data
-
نمایش داده ها و تحولات در یک جریان
Data Representation and Transformations on a Stream
-
تحول فیلتر
The Filter Transformation
-
تحول نقشه
The Map Transformation
-
تحول FlatMap
The FlatMap Transformation
-
تحولات بدون دولت و دولت
Stateless and Stateful Transformations
-
جریانهای کلید دار
Keyed Streams
-
تحولات در جریانهای کلیددار
Transformations on Keyed Streams
-
عملیات کاهش
The Reduce Operation
عملیات پنجره سازی در جریان ها
Windowing Operations on Streams
-
مقدمه ای بر تحولات پنجره
Introduction to Window Transformations
-
دست و پا زدن ویندوز
Tumbling Windows
-
کشویی ویندوز
Sliding Windows
-
تعداد ، جلسه و ویندوزهای جهانی
Count, Session, and Global Windows
-
زمان رویداد ، زمان بلع و زمان پردازش
Event Time, Ingestion Time, and Processing Time
-
پیاده سازی Tumbling و Sliding Windows
Implementing Tumbling and Sliding Windows
-
اجرای پنجره شمارش
Implementing the Count Window
-
اجرای پنجره جلسه
Implementing the Session Window
-
دریافت کلیدهای مصرف کننده توییتر و رمزهای دسترسی
Getting the Twitter Consumer Keys and Access Tokens
-
اتصال به Twitter Streaming API
Connecting to the Twitter Streaming API
تحمل خطا با ایالت ها و ایست های بازرسی
Fault Tolerance with State and Checkpoints
-
دسته های دولت
Categories of State
-
توابع غنی برای ذخیره وضعیت
Rich Functions to Store State
-
تحولات را به حالت فعلی درآورد: ValueState & lt؛ T
Making Transformations Stateful: ValueState<T>
-
تحولات را به حالت فعلی درآورید: ListState & lt؛ T
Making Transformations Stateful: ListState<T>
-
تحولات را به حالت فعلی درآورید: ReducingState & lt؛ T
Making Transformations Stateful: ReducingState<T>
-
تحمل خطا با Checkpoint
Fault Tolerance with Checkpoint
-
راهکارهای راه اندازی مجدد
Restart Strategies
کار با چندین منبع جریان
Working with Multiple Stream Sources
-
عملیات اتحادیه
The Union Operation
-
به عملیات بپیوندید
The Join Operation
نمایش نظرات