第一章整体介绍 21.1什么是TableAPI和FlinkSQL 21.2需要引入的依赖 21.3两种planner（old&blink）的区别 4第二章API调用 52.1基本程序结构 52.2创建表环境 52.3在Catalog中注册表 72.3.1表（Table）的概念 72.3.2连接到文件系统（Csv格式） 72.3.3连接到Kafka 82.4表的查询 92.4.1TableAPI的调用 92.4.2SQL查询 102.5将DataStream转换成表 112.5.1代码表达 112.5.2数据类型与Tableschema的对应 122.6.创建临时视图（TemporaryView） 122.7.输出表 142.7.1输出到文件 142.7.2更新模式（UpdateMode） 152.7.3输出到Kafka 162.7.4输出到ElasticSearch 162.7.5输出到MySql 172.8将表转换成DataStream 182.9Query的解释和执行 201.优化查询计划 202.解释成DataStream或者DataSet程序 20第三章流处理中的特殊概念 203.1流处理和关系代数（表，及SQL）的区别 213.2动态表（DynamicTables） 213.3流式持续查询的过程 213.3.1将流转换成表（Table） 223.3.2持续查询（ContinuousQuery） 233.3.3将动态表转换成流 233.4时间特性 253.4.1处理时间（ProcessingTime） 253.4.2事件时间（EventTime） 27第四章窗口（Windows） 304.1分组窗口（GroupWindows） 304.1.1滚动窗口 314.1.2滑动窗口 324.1.3会话窗口 324.2OverWindows 331）无界的overwindow 332）有界的overwindow 344.3SQL中窗口的定义 344.3.1GroupWindows 344.3.2OverWindows 354.4代码练习（以分组滚动窗口为例） 36第五章函数（Functions） 385.1系统内置函数 385.2UDF 405.2.1注册用户自定义函数UDF 405.2.2标量函数（ScalarFunctions） 405.2.3表函数（TableFunctions） 425.2.4聚合函数（AggregateFunctions） 455.2.5表聚合函数（TableAggregateFunctions） 47

安居客网址结合大数据分析房价可视化分析，分别利用python爬虫爬取安居客的某个省的各个地区的二手房房价的最大、最少、平均、中位数、进行可视化分析展示。

触手可及的大数据分析工具Tableau案例集带书签和数据源

2021贺岁大数据入门spark3.0入门到精通资源简介：本课程中使用官方在2020年9月8日发布的Spark3.0系列最新稳定版：Spark3.0.1。
共课程包含9个章节：Spark环境搭建，SparkCore，SparkStreaming，SparkSQL，StructuredStreaming，Spark综合案例，Spark多语言开发，Spark3.0新特性，Spark性能调优。

本人亲手操作搭建Hadoop集群成功，并通过Eclipse进行MapReduce程序的开发，步骤详细完整，在相关过程中配有完整代码和解释，全程无误，只需复制粘贴即可，小白新手按步骤一步一步来也能搭建Hadoop集群成功并进行MapReduce程序开发！！！喜欢请关注本人空间动态，并会一直更新相关大数据资源和文章，谢谢！

参考网络资源使用IKAnalyzer分词组件，实现了纯Java语言、MapReduce模式及Spark框架三种方式对唐诗宋词等国学经典进行中文分词统计排序的功能，你可以轻松发现唐诗宋词中最常用的词是那几个。

shell+expect编写的大数据集群ssh免密登录自动化配置脚本（带说明文档）

最近在学习大数据方面的知识，整理了四套资源，分别为:1.尚硅谷,2、北风网大数据,3、传智播客,4、徐老师大数据视频，涵盖的只是包括hadoop,flume,spark,hive,storm,sqoop等。

包括前端、后端架构、数据库、大数据、算法和AI运维、安全、测试等，内容很多，需要慢慢消化技术资料绝对有深度！

本文主要讨论ApacheSpark的设计与实现，重点关注其设计思想、运行原理、实现架构及性能调优，附带讨论与HadoopMapReduce在设计与实现上的区别。
不喜欢将该文档称之为“源码分析”，因为本文的主要目的不是去解读实现代码，而是尽量有逻辑地，从设计与实现原理的角度，来理解job从产生到执行完成的整个过程，进而去理解整个系统。
讨论系统的设计与实现有很多方法，本文选择问题驱动的方式，一开始引入问题，然后分问题逐步深入。
从一个典型的job例子入手，逐渐讨论job生成及执行过程中所需要的系统功能支持，然后有选择地深入讨论一些功能模块的设计原理与实现方式。
也许这样的方式比一开始就分模块讨论更有主线。
本文档面向的是希望对Spark设计与实现机制，以及大数据分布式处理框架深入了解的Geeks。
因为Spark社区很活跃，更新速度很快，本文档也会尽量保持同步，文档号的命名与Spark版本一致，只是多了一位，最后一位表示文档的版本号。
由于技术水平、实验条件、经验等限制，当前只讨论Sparkcorestandalone版本中的核心功能，而不是全部功能。
诚邀各位小伙伴们加入进来，丰富和完善文档。
好久没有写这么完整的文档了，上次写还是三年前在学Ng的ML课程的时候，当年好有激情啊。
这次的撰写花了20+days，从暑假写到现在，大部分时间花在debug、画图和琢磨怎么写上，希望文档能对大家和自己都有所帮助。
内容本文档首先讨论job如何生成，然后讨论怎么执行，最后讨论系统相关的功能特性。
具体内容如下：Overview总体介绍Joblogicalplan介绍job的逻辑执行图（数据依赖图）Jobphysicalplan介绍job的物理执行图Shuffledetails介绍shuffle过程Architecture介绍系统模块如何协调完成整个job的执行CacheandCheckpoint介绍cache和checkpoint功能Broadcast介绍broadcast功能JobScheduling

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。