参考kafka官方文档，版本1.0.x

全文 >>

在Thrift，Protobuf和avro序列化框架中，不约而同使用了zigzag编码来对数字进行编码，从而达到减少数据传输量的目的。

zigzag算法的核心主要是去除二进制数字中的前导0，因为在绝大多数情况下，我们使用到的整数，往往是比较小的。

参考：小而巧的数字压缩算法：zigzag

在avro编码中，对于字符串Martin，长度为6，而6的二进制为0000 0110，其中首位置的0为符号位，在zigzag编码中，正数的符号位会移动到末尾，其它位往前移动一位，所以会变成0000 1100，即0c，再后面的字节是字符串UTF-8编码后的结果

在protobuf编码中，对于字符串的Martin，刚开始的字节表示其id和数据类型，下一个字节表示其长度，后面的字节是字符串UTF-8编码后的结果

参考：《数据密集型应用系统设计》的 Schema evolution in Avro, Protocol Buffers and Thrift

Avro，Protocol Buffer和Thrift中的模式演化(译)

该文章对比了常用的一些存储底层所使用的数据结构。

1.B+树

MySQL，MongoDB的索引使用的就是B+树

B+树在多读少写（相对而言）的情境下比较有优势。

B+树的主要优点：

• 1.结构比较扁平，高度低（一般不超过4层），随机寻道次数少；
• 2.数据存储密度大，且都位于叶子节点，查询稳定，遍历方便；
• 3.叶子节点形成有序链表，范围查询转化为顺序读，效率高。相对而言B树必须通过中序遍历才能支持范围查询。

B+树的缺点：

• 1.如果写入的数据比较离散，那么寻找写入位置时，子节点有很大可能性不会在内存中，最终会产生大量的随机写，性能下降。
• 2.如果B+树已经运行了很长时间，写入了很多数据，随着叶子节点分裂，其对应的块会不再顺序存储，而变得分散。这时执行范围查询也会变成随机读，效率降低了。

参考：从B+树到LSM树，及LSM树在HBase中的应用

2.LSM树(Log-structured Merge-Tree/日志结构的合并树)

全文 >>

参考

全文 >>

1.Airbnb rowkey设计案例

在Airbnb的rowkey设计案例中，使用了hash法避免了写入热点问题，其中

Event_key标识了一条日志的唯一性，用于将来自Kafka的日志数据进行去重；

Shard_id是将Event_key进行hash（可以参考es的路由哈希算法Hashing.murmur3_128）之后，对Shard_num进行取余后的结果，Shard_num感觉应该是当前hbase表region server的总数，由于airbnb在hbase中存储的是实时日志数据，并开启了Hbase的TTL，所以当前hbase表中的数据总量应该是可预测的，即region server数量不会无限增加

Shard_key应该就是当前业务的region_start_keys+shard_id，比如当前业务分配的前缀为00000，同时规划了100个table regions给这个业务，即00-99，那么Shard_key的范围就是0000000-0000099

rowkey就是Shard_key.Event_key，比如0000000.air_events.canaryevent.016230-a3db-434e

参考：

Reliable and Scalable Data Ingestion at Airbnb

全文 >>

在美团点评的文章中，介绍了HiveSQL转化为MapReduce的过程

全文 >>

前置条件是安装ik分词，请参考

Elasticsearch学习笔记——分词

1.在ik分词的config下添加词库文件

全文 >>

Flink支持用户自定义 Functions，方法有2个

Ref

全文 >>

Flink有3中运行模式，分别是STREAMING，BATCH和AUTOMATIC

Ref

全文 >>

Flink中的DataSet任务用于实现data sets的转换，data set通常是固定的数据源，比如可读文件，或者本地集合等。

Ref

全文 >>