Flink原理深入與編程實(shí)戰(zhàn)：Scala+Java（微課視頻版）

第1章Flink架構(gòu)與集群安裝（81min）
1.1Flink簡(jiǎn)介
1.1.1Flink發(fā)展歷程
1.1.2Flink特性
1.2Flink應(yīng)用場(chǎng)景
1.2.1事件驅(qū)動(dòng)應(yīng)用程序
1.2.2數(shù)據(jù)分析應(yīng)用程序
1.2.3數(shù)據(jù)管道應(yīng)用程序
1.3Flink體系架構(gòu)
1.3.1Flink系統(tǒng)架構(gòu)
1.3.2Flink運(yùn)行時(shí)架構(gòu)
1.3.3Flink資源管理
1.3.4Flink作業(yè)調(diào)度
1.3.5Flink故障恢復(fù)
1.3.6Flink程序執(zhí)行模式
1.4Flink集群安裝
1.4.1Flink獨(dú)立集群安裝和測(cè)試
1.4.2Flink完全分布式集群安裝
1.4.3Flink常用命令
第2章Flink開發(fā)環(huán)境準(zhǔn)備（37min）
2.1安裝和配置
2.1.1安裝和配置Maven
2.1.2修改Maven本地倉(cāng)庫(kù)默認(rèn)位置
2.1.3創(chuàng)建初始模板項(xiàng)目
2.1.4構(gòu)建打包項(xiàng)目
2.2使用IntelliJ IDEA Maven開發(fā)Flink項(xiàng)目
2.2.1在IntelliJ IDEA中創(chuàng)建Flink項(xiàng)目
2.2.2設(shè)置項(xiàng)目基本依賴
2.2.3用于構(gòu)建具有依賴項(xiàng)的JAR的模板
2.2.4編寫批處理代碼并測(cè)試執(zhí)行
2.2.5項(xiàng)目打包并提交Flink集群執(zhí)行
2.3Flink相關(guān)概念
2.3.1Flink數(shù)據(jù)流
2.3.2Flink分層API
第3章開發(fā)Flink實(shí)時(shí)數(shù)據(jù)處理程序（376min）
3.1Flink流處理程序編程模型
3.1.1流數(shù)據(jù)類型
3.1.2流應(yīng)用程序?qū)崿F(xiàn)
3.1.3流應(yīng)用程序剖析
3.2Flink支持的數(shù)據(jù)源
3.2.1基于Socket的數(shù)據(jù)源
3.2.2基于文件的數(shù)據(jù)源
3.2.3基于集合的數(shù)據(jù)源
3.2.4自定義數(shù)據(jù)源
3.3Flink數(shù)據(jù)轉(zhuǎn)換
3.3.1map轉(zhuǎn)換
3.3.2flatMap轉(zhuǎn)換
3.3.3filter轉(zhuǎn)換
3.3.4keyBy轉(zhuǎn)換
3.3.5reduce轉(zhuǎn)換
3.3.6聚合轉(zhuǎn)換
3.3.7union轉(zhuǎn)換
3.3.8connect轉(zhuǎn)換
3.3.9coMap及coFlatMap轉(zhuǎn)換
3.3.10iterate轉(zhuǎn)換
3.3.11project轉(zhuǎn)換
3.4Flink流數(shù)據(jù)分區(qū)
3.4.1流數(shù)據(jù)分發(fā)模式
3.4.2數(shù)據(jù)分區(qū)方法
3.4.3數(shù)據(jù)分區(qū)示例
3.4.4理解操作符鏈
3.5Flink數(shù)據(jù)接收器
3.5.1內(nèi)置數(shù)據(jù)接收器
3.5.2使用流文件連接器
3.5.3自定義數(shù)據(jù)接收器
3.6時(shí)間和水印概念
3.6.1時(shí)間概念
3.6.2事件時(shí)間和水印
3.6.3水印策略
3.6.4處理空閑數(shù)據(jù)源
3.6.5編寫水印生成器
3.6.6內(nèi)置水印生成器
3.6.7分配時(shí)間戳和水印示例
3.7窗口操作
3.7.1理解Flink窗口概念
3.7.2窗口分配器
3.7.3窗口函數(shù)
3.7.4觸發(fā)器
3.7.5清除器
3.7.6處理遲到數(shù)據(jù)
3.7.7處理窗口結(jié)果
3.7.8窗口連接
3.8低級(jí)操作
3.8.1ProcessFunction
3.8.2KeyedProcessFunction示例
3.8.3案例： 服務(wù)器故障檢測(cè)報(bào)警程序
3.9狀態(tài)和容錯(cuò)
3.9.1狀態(tài)運(yùn)算
3.9.2狀態(tài)的類型
3.9.3使用托管的Keyed State
3.9.4使用托管Operator State
3.9.5廣播狀態(tài)
3.9.6狀態(tài)后端
3.9.7檢查點(diǎn)機(jī)制
3.9.8狀態(tài)快照
3.10側(cè)輸出流
3.10.1什么是側(cè)輸出流
3.10.2側(cè)輸出流應(yīng)用示例
3.11Flink流連接器
3.11.1Kafka連接器
3.11.2JDBC連接器
3.12其他
3.12.1在應(yīng)用程序中使用日志
3.12.2使用ParameterTool
3.12.3命名大型TupleX類型
3.13Flink流處理案例
3.13.1處理IoT事件流
3.13.2運(yùn)輸公司車輛超速實(shí)時(shí)監(jiān)測(cè)
第4章開發(fā)Flink批數(shù)據(jù)處理程序（64min）
4.1Flink批處理程序編程模型
4.1.1批應(yīng)用程序?qū)崿F(xiàn)
4.1.2批應(yīng)用程序剖析
4.2數(shù)據(jù)源
4.2.1基于文件的數(shù)據(jù)源
4.2.2基于集合的數(shù)據(jù)源
4.2.3通用的數(shù)據(jù)源
4.2.4壓縮文件
4.3數(shù)據(jù)轉(zhuǎn)換
4.3.1map轉(zhuǎn)換
4.3.2flatMap轉(zhuǎn)換
4.3.3mapPartition轉(zhuǎn)換
4.3.4filter轉(zhuǎn)換
4.3.5reduce轉(zhuǎn)換
4.3.6在分組數(shù)據(jù)集上的reduce轉(zhuǎn)換
4.3.7在分組數(shù)據(jù)集上的GroupReduce轉(zhuǎn)換
4.3.8在分組數(shù)據(jù)集上的GroupCombine轉(zhuǎn)換
4.3.9在分組元組數(shù)據(jù)集上執(zhí)行聚合
4.3.10在分組元組數(shù)據(jù)集上執(zhí)行minBy轉(zhuǎn)換
4.3.11在分組元組數(shù)據(jù)集上執(zhí)行maxBy轉(zhuǎn)換
4.3.12在全部元組數(shù)據(jù)集上執(zhí)行聚合操作
4.3.13distinct轉(zhuǎn)換
4.3.14join連接轉(zhuǎn)換
4.3.15union轉(zhuǎn)換
4.3.16project轉(zhuǎn)換
4.3.17firstn轉(zhuǎn)換
4.4數(shù)據(jù)接收器
4.4.1將計(jì)算結(jié)果保存到文本文件
4.4.2將計(jì)算結(jié)果保存到JDBC
4.4.3標(biāo)準(zhǔn)DataSink方法
4.4.4本地排序輸出
4.5廣播變量
4.6分布式緩存
4.7參數(shù)傳遞
4.7.1通過構(gòu)造函數(shù)傳參
4.7.2通過withParameters(Configuration)傳參
4.7.3通過ExecutionConfig傳遞全局參數(shù)
4.8數(shù)據(jù)集中的拉鏈操作
4.8.1密集索引
4.8.2唯一索引
4.9Flink批處理示例
4.9.1分析豆瓣熱門電影數(shù)據(jù)集——Scala實(shí)現(xiàn)
4.9.2分析豆瓣熱門電影數(shù)據(jù)集——Java實(shí)現(xiàn)
第5章使用Table API進(jìn)行數(shù)據(jù)處理（136min）
5.1依賴
5.2Table API與SQL編程模式
5.2.1TableEnvironment
5.2.2Table API與SQL程序的結(jié)構(gòu)
5.2.3在Catalog中創(chuàng)建表
5.2.4查詢表
5.2.5向下游發(fā)送表
5.2.6翻譯并執(zhí)行查詢
5.3Table API
5.3.1關(guān)系運(yùn)算
5.3.2窗口運(yùn)算
5.3.3基于行的操作
5.4Table API與DataStream API集成
5.4.1依賴
5.4.2在DataStream和Table之間轉(zhuǎn)換
5.4.3處理insertonly流
5.4.4處理變更日志流
5.5Table API實(shí)時(shí)流處理案例
5.5.1傳感器溫度實(shí)時(shí)統(tǒng)計(jì)
5.5.2車輛超速實(shí)時(shí)監(jiān)測(cè)
5.5.3電商用戶行為實(shí)時(shí)分析
第6章Flink on YARN（13min）
6.1Flink on YARN session
6.1.1下載Flink集成Hadoop依賴包
6.1.2運(yùn)行Flink on YARN session
6.1.3提交Flink作業(yè)
6.1.4停止Flink on YARN session
6.2Flink on YARN支持的部署模式
6.2.1Application模式
6.2.2PerJob集群模式
6.2.3session模式
第7章基于Flink構(gòu)建流批一體數(shù)倉(cāng)（27min）
7.1Flink集成Hive數(shù)倉(cāng)
7.1.1Flink集成Hive的方式
7.1.2Flink集成Hive的步驟
7.1.3Flink連接Hive模板代碼
7.2批流一體數(shù)倉(cāng)構(gòu)建實(shí)例
7.2.1數(shù)據(jù)集說(shuō)明
7.2.2創(chuàng)建Flink項(xiàng)目
7.2.3創(chuàng)建執(zhí)行環(huán)境
7.2.4注冊(cè)HiveCatalog
7.2.5創(chuàng)建Kafka流表
7.2.6創(chuàng)建Hive表
7.2.7流寫Hive表
7.2.8動(dòng)態(tài)讀取Hive流表
7.2.9完整示例代碼
7.2.10執(zhí)行步驟
7.3純SQL構(gòu)建批流一體數(shù)倉(cāng)
7.3.1使用Flink SQL客戶端
7.3.2集成Flink SQL CLI和Hive
7.3.3注冊(cè)HiveCatalog
7.3.4使用SQL Client提交作業(yè)
7.3.5構(gòu)建批流一體數(shù)倉(cāng)完整過程
第8章基于Flink和Iceberg數(shù)據(jù)湖構(gòu)建實(shí)時(shí)數(shù)倉(cāng)（23min）
8.1現(xiàn)代數(shù)據(jù)湖概述
8.1.1什么是數(shù)據(jù)湖
8.1.2數(shù)據(jù)湖架構(gòu)
8.1.3開源數(shù)據(jù)湖框架
8.2基于Flink Iceberg構(gòu)建企業(yè)數(shù)據(jù)湖
8.2.1Apache Iceberg的優(yōu)勢(shì)
8.2.2Apache Iceberg經(jīng)典業(yè)務(wù)場(chǎng)景
8.2.3應(yīng)用Apache Iceberg的準(zhǔn)備工作
8.2.4創(chuàng)建和使用Catalog
8.2.5Iceberg DDL命令
8.2.6Iceberg SQL查詢
8.2.7Iceberg SQL寫入
8.2.8使用DataStream讀取
8.2.9使用DataStream寫入
8.2.10重寫文件操作
8.2.11未來(lái)改進(jìn)
8.3基于Flink Iceberg構(gòu)建準(zhǔn)實(shí)時(shí)數(shù)倉(cāng)
8.3.1實(shí)時(shí)數(shù)倉(cāng)構(gòu)建
8.3.2執(zhí)行OLAP聯(lián)機(jī)分析
圖書推薦