工程師
其他
數(shù)據(jù)庫
Hadoop
推薦課程
average > 0 ? $model->average . '分' : '10.0分' ?>

大數(shù)據(jù)開發(fā)技能培訓(xùn)-Hadoop、Spark、FLink技術(shù)實戰(zhàn)

劉老師

某知名咨詢公司 云平臺系統(tǒng)架構(gòu)師

畢業(yè)于?連理??學
簡介:
精通開源的?數(shù)據(jù)?態(tài)技術(shù)和架構(gòu),Hadoop、Hive、Hbase、 Spark、Flink等開源技術(shù)棧。
有10年左右基于?數(shù)據(jù)解決?案平臺、數(shù)據(jù)架構(gòu)、數(shù)據(jù)中臺、數(shù)據(jù)治理、數(shù)據(jù)分析和挖掘的?型數(shù)據(jù)湖和數(shù)
據(jù)中臺項?架構(gòu)實施經(jīng)驗,
?前任職國內(nèi)知名咨詢公司,先后服務(wù)于北京?學軟件研究所、阿?巴巴、Teradata,實施過基于開源?數(shù)據(jù)技術(shù)
棧的數(shù)據(jù)湖解決?案和實施、湖倉?體架構(gòu)咨詢和實施、數(shù)據(jù)中臺的咨詢和設(shè)施
最近主要項?介紹:
某移動?數(shù)據(jù)平臺架構(gòu)設(shè)計和設(shè)施 (Hadoop、Spark)
四??之?的數(shù)據(jù)湖咨詢和實施
某?型商業(yè)銀?數(shù)據(jù)中臺咨詢
某銀?基于開源?數(shù)據(jù)技術(shù)棧數(shù)據(jù)中臺的咨詢和實施
某航空公司數(shù)據(jù)平臺流批?體解決?案和實施
特長:
在?數(shù)據(jù)架構(gòu)、開發(fā)、運維和優(yōu)化、數(shù)據(jù)集成、 數(shù)據(jù)湖(Data Lake)、數(shù)據(jù)建模、數(shù)據(jù)挖掘/機器學習、數(shù)據(jù)
中臺等??有豐富經(jīng) 驗。

畢業(yè)于?連理??學 簡介: 精通開源的?數(shù)據(jù)?態(tài)技術(shù)和架構(gòu),Hadoop、Hive、Hbase、 Spark、Flink等開源技術(shù)棧。 有10年左右基于?數(shù)據(jù)解決?案平臺、數(shù)據(jù)架構(gòu)、數(shù)據(jù)中臺、數(shù)據(jù)治理、數(shù)據(jù)分析和挖掘的?型數(shù)據(jù)湖和數(shù) 據(jù)中臺項?架構(gòu)實施經(jīng)驗, ?前任職國內(nèi)知名咨詢公司,先后服務(wù)于北京?學軟件研究所、阿?巴巴、Teradata,實施過基于開源?數(shù)據(jù)技術(shù) 棧的數(shù)據(jù)湖解決?案和實施、湖倉?體架構(gòu)咨詢和實施、數(shù)據(jù)中臺的咨詢和設(shè)施 最近主要項?介紹: 某移動?數(shù)據(jù)平臺架構(gòu)設(shè)計和設(shè)施 (Hadoop、Spark) 四??之?的數(shù)據(jù)湖咨詢和實施 某?型商業(yè)銀?數(shù)據(jù)中臺咨詢 某銀?基于開源?數(shù)據(jù)技術(shù)棧數(shù)據(jù)中臺的咨詢和實施 某航空公司數(shù)據(jù)平臺流批?體解決?案和實施 特長: 在?數(shù)據(jù)架構(gòu)、開發(fā)、運維和優(yōu)化、數(shù)據(jù)集成、 數(shù)據(jù)湖(Data Lake)、數(shù)據(jù)建模、數(shù)據(jù)挖掘/機器學習、數(shù)據(jù) 中臺等??有豐富經(jīng) 驗。

課程費用

6800.00 /人

課程時長

5

成為教練

課程簡介

本課程詳細的介紹了Hadoop平臺的常用組件,HDFS使用操作、MapReduce開發(fā)、yarn原理和應(yīng)用、Hbase數(shù)據(jù)庫開發(fā)、Hive數(shù)據(jù)倉庫開發(fā)、Sqoop數(shù)據(jù)抽取、Flume數(shù)據(jù)采集、Kafka數(shù)據(jù)發(fā)布和訂閱等核心技術(shù),幫助學員能夠深刻的理解Hadoop生態(tài)技術(shù)和基于Hadoop生態(tài)技術(shù)進行開發(fā)。

目標收益

1、本課程將為大家全面而又深入的介紹Hadoop的常用組件,涉及分布式數(shù)據(jù)收集,大數(shù)據(jù)存儲,資源管理及分布式計算框架等。
2、深度掌握基于HDFS、Mapreduce、Yarn、Spark、Hbase、Hive、Sqoop、Flume和Kafka的使用
3、掌握Scala開發(fā)語言

培訓(xùn)對象

大數(shù)據(jù)開發(fā)人員

課程大綱

Day1
第一篇
大數(shù)據(jù)生態(tài)系統(tǒng)介紹
一、開源大數(shù)據(jù)技術(shù)架構(gòu)
二、開源大數(shù)據(jù)常用組件之間的依賴關(guān)系
三、離線計算框架介紹
—Mapreduce、Hive、Tez、Presto、Kylin
四、實時查詢框架介紹
—NoSQL、Hbase
五、實時計算框架介紹
—Kafka、Storm、Spark Streaming
六、內(nèi)存計算框架介紹
—Spark、SparkSQL、SparkMllib、SparkR
七、前沿大數(shù)據(jù)技術(shù)介紹
—Flink、Drill、Druid、KUDU等
八、海量日志快速檢索架構(gòu)
—ELK(Elasticsearch、Logstash、Kibana)等
Day1
第二篇 分布式存儲HDFS
一、HDFS架構(gòu)介紹
二、HDFS原理介紹
三、NameNode功能詳解
四、DataNode功能詳
五、HDFS HA功能詳解
六、HSFD的fsimage和editslog詳解
七、HDFS的block詳解
八、HDFS的block的備份策略
九、Hadoop的機架感知配置
十、HDFS的權(quán)限詳解
十一、Hadoop的客服端接入案例
十二、HDFS的客服端Cache使用
十三、HDFS讀寫性能的優(yōu)化
十四,HDFS Snapshots的應(yīng)用和原理介紹
Day1
第三篇 分布式計算MapReduce
一、Mapreduce原理
二、MapReduce流程
三、剖析一個MapReduce程序
四、Mapper和Reducer抽象類詳解
五、Mapreduce的最小驅(qū)動類
六、MapReduce自帶的類型
七、自定義Writables和WritableComparables
八、Mapreduce的輸入InputFormats
九、MapReduce的輸出OutputFormats
十、Combiner詳解
十一、Partitioner詳解
十二、MapReduce的優(yōu)化
十三、Map和Reduce的個數(shù)設(shè)置
十四、任務(wù)調(diào)度
十五、默認的任務(wù)調(diào)度
十六、公平任務(wù)調(diào)度
十七,能力任務(wù)調(diào)度
Day2
第四篇 Yarn分布式資源調(diào)度
一、 Yarn的原理和架構(gòu)
二、Yarn資源調(diào)度策略
三、CPU、內(nèi)存和IO三種資源調(diào)度優(yōu)化
四、Yarn資源調(diào)度Fair和Capacity詳解
五、JobHistory的功能介紹
六、Yarn動態(tài)資源的設(shè)置
七、動態(tài)分配特定節(jié)點給每個應(yīng)用(MR、Flink、Spark、Hbase等)
八、基于Yarn的資源控制詳解
九、基于Yarn實現(xiàn)底層SLA的資源分配
十,Yarn核心參數(shù)的詳解和優(yōu)化
Day2
第五篇 Hive實戰(zhàn)
一、Hive的作用和原理說明
二、Hadoop倉庫和傳統(tǒng)數(shù)據(jù)倉庫的協(xié)作關(guān)系
三、Hadoop/Hive倉庫數(shù)據(jù)數(shù)據(jù)流
四、Hive的MetaStore詳解
五、Hive的基本用法
六、Hive的server啟動
七、HQL基本語法
八、Hive的加載數(shù)據(jù)本地加載和HDFS加載
九、Hive的partition詳解
十、Hive的存儲方式詳解
十一、RCFILE、TEXTFILE和SEQUEUEFILE
十二、Hive的UDF和UDAF
十三、Hive的transform詳解
十四,Hive的JDBC連接
Day2
第六篇 Hive數(shù)據(jù)倉庫實戰(zhàn)
一、數(shù)據(jù)接入大數(shù)據(jù)平臺
—離線數(shù)據(jù)接入
—Sqoop工具介紹和使用
—RDBMS導(dǎo)入導(dǎo)出到Hive數(shù)據(jù)倉庫
二、數(shù)據(jù)處理過程
—數(shù)據(jù)的ETL
—數(shù)據(jù)分層(ODS、DW和DM等)
—數(shù)據(jù)建模
—數(shù)據(jù)校驗
三、數(shù)據(jù)應(yīng)用
—數(shù)據(jù)離線應(yīng)用
—數(shù)據(jù)實時應(yīng)用
—數(shù)據(jù)實驗室
四、數(shù)據(jù)展示工具(BI工具)
五、從原始搜索數(shù)據(jù)集中抽取、集成數(shù)據(jù),整理后形成規(guī)范的數(shù)據(jù)倉庫
六、基于Hadoop數(shù)據(jù)倉庫的數(shù)據(jù)分層(ODS、DW、DWS/B、DM、ST)
七,數(shù)據(jù)倉庫不同層之間的數(shù)據(jù)交互和ETL
Day3
第七篇 NoSQL和Hbase實戰(zhàn)
一、NoSQL介紹
二、NoSQL應(yīng)用場景
三、Hbase的架構(gòu)原理
四、Hbase核心概念詳解(HMaster、HRegionServer、Store、StoreFile、HFile、HLog和MetaStore)
五、Hbase自帶的namesapce和Meta表詳解
六、HBase邏輯視圖介紹
七、HBase物理視圖介紹
八、HBase的RowKey設(shè)計原則
九、HBase BloomFilter的介紹
十、Hbase表的設(shè)計案例
十一、一對一設(shè)計
十二、一對多設(shè)計
十三、多對多設(shè)計
十四、時間序列的數(shù)據(jù)表的設(shè)計
十五、HBase的import功能介紹
十六、手動設(shè)置Split和Compaction操作
十七、Pre-Split的介紹
十八、RS宕機的運維處理
十九、HBase Region的遷移優(yōu)化
二十、HBase 的表結(jié)構(gòu)優(yōu)化
二十一、HBase使用場景介紹
二十二、Hbase 的Phoenix工具介紹
二十三,HBase案例分析
Day3
第八篇 Sqoop和Flume實戰(zhàn)
一、Flume架構(gòu)和應(yīng)用場景
二、Flume用用場景
三、Flume Agent介紹
—Source
—Channel
—Sink
四、Flume 采集數(shù)據(jù)到HDFS實戰(zhàn)
五、Flume案例實戰(zhàn)
六、Sqoop架構(gòu)介紹
七、Sqoop抽取Oracle和Mysql的數(shù)據(jù)
八,Sqoop實戰(zhàn)
Day3
第九篇 Kafka實戰(zhàn)
一、kafka概述
二、kafka是什么
三、kafka概念詳解:Topics/logs、Distributitions、Producers、Consumers、Guarantees。
四、 kafka的應(yīng)用場景
五、kafka的體系架構(gòu)與設(shè)計原理
六、 消息持久化
七、生產(chǎn)者與消費者
八、 消息傳輸機制
九、 復(fù)制備份
十、分配機制
十一,Kafka監(jiān)控工具安裝和使用
Day4
第十一篇 Spark core介紹
一、Spark的編程模型
二、Spark編程模型解析
三、Partition實現(xiàn)機制
四、RDD的特點、操作、依賴關(guān)系
五、Transformation RDD詳解
六、Action RDD詳解
七、Spark的累加器詳解
八、Spark的廣播變量詳解
九、Spark容錯機制
十、lineage和checkpoint詳解
十一、Spark的運行方式
十二、Spark的Shuffle原理詳解
—Sort-Based原理
—Hash-Based原理
十三、Spark2.0的新特性
十四,Spark DataFrame和DateSet介紹
Day4
第十二篇 Spark SQL實戰(zhàn)
一、Spark SQL原理
二、Spark SQL的Catalyst優(yōu)化器
—Parser解析模塊
—Analyzer模塊
—Optimizer模塊
—physical Planning模塊
三、Spark SQL內(nèi)核
四、Spark SQL和Hive連接
五、DataFrame和DataSet架構(gòu)
六、Fataframe、DataSet和Spark SQL的比較
七、SparkSQL parquet格式實戰(zhàn)
八、Spark SQL UDF和UDAF實操
九、Spark SQL的實例和編程
十、Spark SQL的實例操作demo
十一,Spark SQL的編程
Day4
第十三篇 Spark Streaming詳解和實戰(zhàn)
一、Spark Streaming原理
二、Spark Streaming的應(yīng)用場景
三、Windows 窗口操作
四、DStream詳解
五、Spark SQL on Spark Streaming詳解
六、Structured Streaming介紹
七、Structured Streaming的水印操作
八、Structured Streaming+kafka應(yīng)用實戰(zhàn)
九、流式任務(wù)的痛點和注意點
十、流式任務(wù)數(shù)據(jù)延遲問題
十一、流式任務(wù)作業(yè)性能問題
十二,流式任務(wù)任務(wù)常見的處理方式
Day5
第十四篇 Flink SQL實戰(zhàn)
一、Flink SQL和Table開發(fā)實戰(zhàn)
二、6.1 Flink SQL功能介紹
三、6.2 Flink SQL
四、6.3 Kafka+FlinkSQL整合
五、6.4 Flink Table介紹
六、6.5 Flink Table DSL語法介紹
七、Flink CDC介紹
八、7.1 傳統(tǒng)CDC工具介紹
九、7.2 CDC工具介紹和比較
十、7.3 Flink CDC支持的功能
十一、7.4 基于日志CDC的數(shù)據(jù)同步流程
十二、7.5 ETL—傳統(tǒng)CDC ETL分析
十三、7.6 ETL—基于Flink CDC 聚合分析
十四、7.7 Flink CDC 數(shù)據(jù)寬表
十五、7.8 Flink SQL如何集成CDC
Day5

第十五篇
項目實戰(zhàn)RDBMS+Kafka+Flink CDC+FlinkSQL+ES+Kibana項目實戰(zhàn)
RDBMS+Kafka+Flink CDC+FlinkSQL+ES+Kibana項目實戰(zhàn):
1、Docker演示環(huán)境介紹
2、Flink CDC mysql實戰(zhàn)
3、Flink CDC postgres實戰(zhàn)
4、Flink CDC Kafka實戰(zhàn)
5、Flink CDC ES實現(xiàn)
6、Kibana結(jié)果展示
7、RDBMS+Kafka+Flink CDC+FlinkSQL+ES+Kibana完整項目實戰(zhàn)
Day1
第一篇
大數(shù)據(jù)生態(tài)系統(tǒng)介紹
一、開源大數(shù)據(jù)技術(shù)架構(gòu)
二、開源大數(shù)據(jù)常用組件之間的依賴關(guān)系
三、離線計算框架介紹
—Mapreduce、Hive、Tez、Presto、Kylin
四、實時查詢框架介紹
—NoSQL、Hbase
五、實時計算框架介紹
—Kafka、Storm、Spark Streaming
六、內(nèi)存計算框架介紹
—Spark、SparkSQL、SparkMllib、SparkR
七、前沿大數(shù)據(jù)技術(shù)介紹
—Flink、Drill、Druid、KUDU等
八、海量日志快速檢索架構(gòu)
—ELK(Elasticsearch、Logstash、Kibana)等
Day1
第二篇 分布式存儲HDFS
一、HDFS架構(gòu)介紹
二、HDFS原理介紹
三、NameNode功能詳解
四、DataNode功能詳
五、HDFS HA功能詳解
六、HSFD的fsimage和editslog詳解
七、HDFS的block詳解
八、HDFS的block的備份策略
九、Hadoop的機架感知配置
十、HDFS的權(quán)限詳解
十一、Hadoop的客服端接入案例
十二、HDFS的客服端Cache使用
十三、HDFS讀寫性能的優(yōu)化
十四,HDFS Snapshots的應(yīng)用和原理介紹
Day1
第三篇 分布式計算MapReduce
一、Mapreduce原理
二、MapReduce流程
三、剖析一個MapReduce程序
四、Mapper和Reducer抽象類詳解
五、Mapreduce的最小驅(qū)動類
六、MapReduce自帶的類型
七、自定義Writables和WritableComparables
八、Mapreduce的輸入InputFormats
九、MapReduce的輸出OutputFormats
十、Combiner詳解
十一、Partitioner詳解
十二、MapReduce的優(yōu)化
十三、Map和Reduce的個數(shù)設(shè)置
十四、任務(wù)調(diào)度
十五、默認的任務(wù)調(diào)度
十六、公平任務(wù)調(diào)度
十七,能力任務(wù)調(diào)度
Day2
第四篇 Yarn分布式資源調(diào)度
一、 Yarn的原理和架構(gòu)
二、Yarn資源調(diào)度策略
三、CPU、內(nèi)存和IO三種資源調(diào)度優(yōu)化
四、Yarn資源調(diào)度Fair和Capacity詳解
五、JobHistory的功能介紹
六、Yarn動態(tài)資源的設(shè)置
七、動態(tài)分配特定節(jié)點給每個應(yīng)用(MR、Flink、Spark、Hbase等)
八、基于Yarn的資源控制詳解
九、基于Yarn實現(xiàn)底層SLA的資源分配
十,Yarn核心參數(shù)的詳解和優(yōu)化
Day2
第五篇 Hive實戰(zhàn)
一、Hive的作用和原理說明
二、Hadoop倉庫和傳統(tǒng)數(shù)據(jù)倉庫的協(xié)作關(guān)系
三、Hadoop/Hive倉庫數(shù)據(jù)數(shù)據(jù)流
四、Hive的MetaStore詳解
五、Hive的基本用法
六、Hive的server啟動
七、HQL基本語法
八、Hive的加載數(shù)據(jù)本地加載和HDFS加載
九、Hive的partition詳解
十、Hive的存儲方式詳解
十一、RCFILE、TEXTFILE和SEQUEUEFILE
十二、Hive的UDF和UDAF
十三、Hive的transform詳解
十四,Hive的JDBC連接
Day2
第六篇 Hive數(shù)據(jù)倉庫實戰(zhàn)
一、數(shù)據(jù)接入大數(shù)據(jù)平臺
—離線數(shù)據(jù)接入
—Sqoop工具介紹和使用
—RDBMS導(dǎo)入導(dǎo)出到Hive數(shù)據(jù)倉庫
二、數(shù)據(jù)處理過程
—數(shù)據(jù)的ETL
—數(shù)據(jù)分層(ODS、DW和DM等)
—數(shù)據(jù)建模
—數(shù)據(jù)校驗
三、數(shù)據(jù)應(yīng)用
—數(shù)據(jù)離線應(yīng)用
—數(shù)據(jù)實時應(yīng)用
—數(shù)據(jù)實驗室
四、數(shù)據(jù)展示工具(BI工具)
五、從原始搜索數(shù)據(jù)集中抽取、集成數(shù)據(jù),整理后形成規(guī)范的數(shù)據(jù)倉庫
六、基于Hadoop數(shù)據(jù)倉庫的數(shù)據(jù)分層(ODS、DW、DWS/B、DM、ST)
七,數(shù)據(jù)倉庫不同層之間的數(shù)據(jù)交互和ETL
Day3
第七篇 NoSQL和Hbase實戰(zhàn)
一、NoSQL介紹
二、NoSQL應(yīng)用場景
三、Hbase的架構(gòu)原理
四、Hbase核心概念詳解(HMaster、HRegionServer、Store、StoreFile、HFile、HLog和MetaStore)
五、Hbase自帶的namesapce和Meta表詳解
六、HBase邏輯視圖介紹
七、HBase物理視圖介紹
八、HBase的RowKey設(shè)計原則
九、HBase BloomFilter的介紹
十、Hbase表的設(shè)計案例
十一、一對一設(shè)計
十二、一對多設(shè)計
十三、多對多設(shè)計
十四、時間序列的數(shù)據(jù)表的設(shè)計
十五、HBase的import功能介紹
十六、手動設(shè)置Split和Compaction操作
十七、Pre-Split的介紹
十八、RS宕機的運維處理
十九、HBase Region的遷移優(yōu)化
二十、HBase 的表結(jié)構(gòu)優(yōu)化
二十一、HBase使用場景介紹
二十二、Hbase 的Phoenix工具介紹
二十三,HBase案例分析
Day3
第八篇 Sqoop和Flume實戰(zhàn)
一、Flume架構(gòu)和應(yīng)用場景
二、Flume用用場景
三、Flume Agent介紹
—Source
—Channel
—Sink
四、Flume 采集數(shù)據(jù)到HDFS實戰(zhàn)
五、Flume案例實戰(zhàn)
六、Sqoop架構(gòu)介紹
七、Sqoop抽取Oracle和Mysql的數(shù)據(jù)
八,Sqoop實戰(zhàn)
Day3
第九篇 Kafka實戰(zhàn)
一、kafka概述
二、kafka是什么
三、kafka概念詳解:Topics/logs、Distributitions、Producers、Consumers、Guarantees。
四、 kafka的應(yīng)用場景
五、kafka的體系架構(gòu)與設(shè)計原理
六、 消息持久化
七、生產(chǎn)者與消費者
八、 消息傳輸機制
九、 復(fù)制備份
十、分配機制
十一,Kafka監(jiān)控工具安裝和使用
Day4
第十一篇 Spark core介紹
一、Spark的編程模型
二、Spark編程模型解析
三、Partition實現(xiàn)機制
四、RDD的特點、操作、依賴關(guān)系
五、Transformation RDD詳解
六、Action RDD詳解
七、Spark的累加器詳解
八、Spark的廣播變量詳解
九、Spark容錯機制
十、lineage和checkpoint詳解
十一、Spark的運行方式
十二、Spark的Shuffle原理詳解
—Sort-Based原理
—Hash-Based原理
十三、Spark2.0的新特性
十四,Spark DataFrame和DateSet介紹
Day4
第十二篇 Spark SQL實戰(zhàn)
一、Spark SQL原理
二、Spark SQL的Catalyst優(yōu)化器
—Parser解析模塊
—Analyzer模塊
—Optimizer模塊
—physical Planning模塊
三、Spark SQL內(nèi)核
四、Spark SQL和Hive連接
五、DataFrame和DataSet架構(gòu)
六、Fataframe、DataSet和Spark SQL的比較
七、SparkSQL parquet格式實戰(zhàn)
八、Spark SQL UDF和UDAF實操
九、Spark SQL的實例和編程
十、Spark SQL的實例操作demo
十一,Spark SQL的編程
Day4
第十三篇 Spark Streaming詳解和實戰(zhàn)
一、Spark Streaming原理
二、Spark Streaming的應(yīng)用場景
三、Windows 窗口操作
四、DStream詳解
五、Spark SQL on Spark Streaming詳解
六、Structured Streaming介紹
七、Structured Streaming的水印操作
八、Structured Streaming+kafka應(yīng)用實戰(zhàn)
九、流式任務(wù)的痛點和注意點
十、流式任務(wù)數(shù)據(jù)延遲問題
十一、流式任務(wù)作業(yè)性能問題
十二,流式任務(wù)任務(wù)常見的處理方式
Day5
第十四篇 Flink SQL實戰(zhàn)
一、Flink SQL和Table開發(fā)實戰(zhàn)
二、6.1 Flink SQL功能介紹
三、6.2 Flink SQL
四、6.3 Kafka+FlinkSQL整合
五、6.4 Flink Table介紹
六、6.5 Flink Table DSL語法介紹
七、Flink CDC介紹
八、7.1 傳統(tǒng)CDC工具介紹
九、7.2 CDC工具介紹和比較
十、7.3 Flink CDC支持的功能
十一、7.4 基于日志CDC的數(shù)據(jù)同步流程
十二、7.5 ETL—傳統(tǒng)CDC ETL分析
十三、7.6 ETL—基于Flink CDC 聚合分析
十四、7.7 Flink CDC 數(shù)據(jù)寬表
十五、7.8 Flink SQL如何集成CDC
Day5

第十五篇
項目實戰(zhàn)RDBMS+Kafka+Flink CDC+FlinkSQL+ES+Kibana項目實戰(zhàn)
RDBMS+Kafka+Flink CDC+FlinkSQL+ES+Kibana項目實戰(zhàn):
1、Docker演示環(huán)境介紹
2、Flink CDC mysql實戰(zhàn)
3、Flink CDC postgres實戰(zhàn)
4、Flink CDC Kafka實戰(zhàn)
5、Flink CDC ES實現(xiàn)
6、Kibana結(jié)果展示
7、RDBMS+Kafka+Flink CDC+FlinkSQL+ES+Kibana完整項目實戰(zhàn)

課程費用

6800.00 /人

課程時長

5

預(yù)約體驗票 我要分享

近期公開課推薦

近期公開課推薦

活動詳情

提交需求