آموزش فریمورکهای پردازش استریم: Apache Spark Structured Streaming - آخرین آپدیت
دانلود Stream Processing Frameworks: Apache Spark Structured Streaming
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
سرفصل ها و درس ها
درک مدل Micro-batch در Spark Structured Streaming Understanding the Micro-batch Model of Spark Structured Streaming
-
میکرو-بچینگ (Micro-batching) چیست؟ What Is Micro-batching?
-
نحوه اجرای جابهای استریمینگ در اسپارک How Spark Executes Streaming Jobs
-
تریگرها در Spark Structured Streaming Triggers in Spark Structured Streaming
-
واترمارکینگ (Watermarking) در اسپارک Watermarking in Spark
-
ویژگیهای تأخیر و نرخ انتقال داده Latency and Throughput Characteristics
-
موردهای کاربردی پردازش بلادرنگ Real-time Processing Use Cases
چگونگی فعالسازی جریانهای کاری پردازش استریم توسط Spark Structured Streaming How Spark Structured Streaming Enables Stream Processing Workflows
-
دادههای استریمینگ به عنوان Unbounded DataFrames/Datasets Streaming Data as Unbounded DataFrames/Datasets
-
دمو: ورود دادهها از Kafka به DataFrame Demo: Ingest from Kafka into DataFrame
-
اجرای افزایشی، وضعیت (State) و چکپوینتیگ Incremental Execution, State, and Checkpointing
-
دمو: بازیابی از طریق چکپوینت Demo: Checkpoint Recovery
-
تریگرها و واترمارکها در جریانهای کاری Triggers and Watermarks in Workflows
-
دمو: تریگرها در عمل Demo: Triggers in Action
-
دمو: تجمیع پنجرهای با واترمارکها Demo: Windowed Aggregation with Watermarks
-
عملیات استریمینگ در اسپارک Streaming Operations in Spark
-
دمو: عملیات استریمینگ (فیلتر، تجمیع، جوین) Demo: Streaming Operations (Filter, Aggregations, Joins)
-
منابع ورودی و مقصدهای خروجی در اسپارک Input Sources and Output Sinks in Spark
-
دمو: خط لوله جامع (End-to-End Pipeline) Demo: End-to-end Pipeline
ارزیابی مناسب بودن Spark Structured Streaming برای حجمهای کاری مختلف Suitability of Spark Structured Streaming for Different Workloads
-
چه زمانی اسپارک انتخاب مناسبی است و چه زمانی نیست؟ When Spark Is a Good Fit vs. Not
-
بهای عملکردی (Performance Trade-offs) Performance Trade-offs
-
تضمینهای تحویل داده و مقایسهها Delivery Guarantees and Comparisons
-
نقاط قوت محیطهای یکپارچه Batch و Stream Strengths of Unified Batch and Stream Environments
-
نقش اسپارک در معماریهای گستردهتر داده Spark’s Role in Broader Data Architectures
https://donyad.com/d/b042e7
Tejprakash
تِجپراکاش مهندس نرمافزار با پایه قوی در توسعه بکاند است که در حال حاضر در تقاطع امنیت IoT و مهندسی داده فعالیت میکند. تمرکز او بر طراحی سیستمهای امن و با کارایی بالا است که دادههای مقیاسبزرگ را در لحظه پردازش میکنند. او با تخصص در Java، Python، Apache Spark و پلتفرمهای ابری، دیدگاهی کاربردی و امنیتمحور را به سیستمهای بکاند و دادهها میآورد. او دانش خود را از طریق وبلاگهای فنی در Medium در زمینههای مهندسی داده، توسعه بکاند و امنیت به اشتراک میگذارد و با شرکت در گردهماییهای محلی، فعالانه با جامعه تکنولوژی در ارتباط است. تجپراکاش مشتاق به ساخت سیستمهایی است که از نظر طراحی، کارآمد، منعطف و امن باشند.
نمایش نظرات