大规模数据处理实战

00 开篇词 从这里开始，带你走上硅谷一线系统架构师之路

01 为什么MapReduce会被硅谷一线公司淘汰？

02 MapReduce后谁主沉浮：怎样设计下一代数据处理技术？

03 大规模数据处理初体验：怎样实现大型电商热销榜？

04 分布式系统（上）：学会用服务等级协议SLA来评估你的系统

05 分布式系统（下）：架构师不得不知的三大指标

06 如何区分批处理还是流处理？

07 Workflow设计模式：让你在大规模数据世界中君临天下

08 发布_订阅模式：流处理架构中的瑞士军刀

09 CAP定理：三选二，架构师必须学会的取舍

10 Lambda架构：Twitter亿级实时数据分析架构背后的倚天剑

11 Kappa架构：利用Kafka锻造的屠龙刀

12 我们为什么需要Spark？

13 弹性分布式数据集：Spark大厦的地基（上）

14 弹性分布式数据集：Spark大厦的地基（下）

15 Spark SQL：Spark数据查询的利器

16 Spark Streaming：Spark的实时流计算API

17 Structured Streaming：如何用DataFrame API进行实时数据分析_

18 Word Count：从零开始运行你的第一个Spark应用

19 综合案例实战：处理加州房屋信息，构建线性回归模型

20 流处理案例实战：分析纽约市出租车载客信息

21 深入对比Spark与Flink：帮你系统设计两开花

22 Apache Beam的前世今生

23 站在Google的肩膀上学习Beam编程模型

24 PCollection：为什么Beam要如此抽象封装数据？

25 Transform：Beam数据转换操作的抽象方法

26 Pipeline：Beam如何抽象多步骤的数据流水线？

27 Pipeline I_O_ Beam数据中转的设计模式

28 如何设计创建好一个Beam Pipeline？

29 如何测试Beam Pipeline？

30 Apache Beam实战冲刺：Beam如何run everywhere_

31 WordCount Beam Pipeline实战

32 Beam Window：打通流处理的任督二脉

33 横看成岭侧成峰：再战Streaming WordCount

34 Amazon热销榜Beam Pipeline实战

35 Facebook游戏实时流处理Beam Pipeline实战（上）

36 Facebook游戏实时流处理Beam Pipeline实战（下）

37 5G时代，如何处理超大规模物联网数据

38 大规模数据处理在深度学习中如何应用？

39 从SQL到Streaming SQL：突破静态数据查询的次元

40 大规模数据处理未来之路

FAQ第一期 学习大规模数据处理需要什么基础？

FAQ第三期 Apache Beam基础答疑

FAQ第二期 Spark案例实战答疑

加油站 Practice makes perfect！

结束语 世间所有的相遇，都是久别重逢