写点什么

利用Amazon Mobile Analytics与Amazon Redshift实现规模化数据分析

2015 年 6 月 10 日

大数据语言 & 开发架构AI

在今天的博文当中，我将为大家介绍几款实用工具。这些工具能够切实帮助各位简化针对应用程序用户参与度、客户驻留情况、用户习惯、项目购买情况以及其它重要指标的分析工作。除了分步引导之外，我还将列出 SQL 查询范例以推进各位的学习进度。

今天将要涉及的工具分别为 Amazon Mobile Analytics Auto Export 以及 Amazon Redshift。如果各位朋友对这两者尚不熟悉，请容我首先进行简要介绍。Amazon Mobile Analytics 是一项服务，旨在帮助用户以便捷且更具成本效率的方式收集并分析自己的应用程序使用情况数据。除了以快速参考方式为您带来使用情况汇总图表之外，Amazon Mobile Analytics 还允许大家通过设置将相关数据自动导出至 Amazon S3 当中、进而交付至其它数据分析工具——例如 Amazon Redshift。触手可及的移动分析事件（其中包括自定义属性与指标）与性能出众的 Amazon Redshift 等数据仓库相结合之后，大家将能够通过直接运行查询指令或者第三方可视化工具——例如 Tableau 或者其它 Amazon Redshift 合作项目——以直观方式了解与应用程序使用情况相关的具体信息。

当数据进入 RedShift 之后，我们就能够对自己的业务运转态势作出深度解读。举例来说，大家可以通过数据分析实现以下目标：

  • 根据预先定义获取来自不同自定义类别的客户参与度、驻留水平以及用户活动分析结论。
  • 针对特定用户群体罗列应用程序商店当中销售量最高的购买项目。
  • 了解用户在应用程序内的导航流程（自定义漏斗）。

在完成以上步骤之后，大家将能够在 Amazon Redshift 内针对自己的事件运行查询指令，并让 Redshift 表中的数据始终与新事件保持一致。以下为各关键步骤汇总：

  1. 将 Amazon Mobile Analytics 整合至应用程序当中。
  2. 在 Amazon Mobile Analytics 当中开启 Auto Export to Amazon S3 功能。
  3. 创建并设置一套新的 Amazon Redshift 集群（或者使用一套现有集群）。
  4. 创建一个 AWS 身份与访问管理（简称 IAM）用户，从而访问来自 Amazon S3 存储桶中的事件。
  5. 配置一个“jsonpaths”文件，旨在将事件中的全部细节映射至 Amazon Redshift 表中的各列处。
  6. 通过指令要求 Amazon Redshift 利用“jsonpaths”文件以及 IAM 证书加载来自 Amazon S3 的事件。
  7. 进行数据查询！

第一步：将 Amazon Mobile Analytics 整合至应用程序当中

我们曾经在之前的文章当中向大家介绍过如何上手 Amazon Mobile Analytics 与自有应用程序的结合工作。只需要将 AWS Mobile SDK 添加到我们的 iOS 以及 Android/Fire OS 应用程序当中，或者利用 Amazon Mobile Analytics REST API，而后通过 AWS 控制台访问对应 Amazon Mobile Analytics 仪表板以查看应用程序的具体使用情况。

第二步：利用 Amazon Mobile Analytics Auto Export 将数据导出至 Amazon S3

当我们将应用程序与 Amazon Mobile Analytics 加以整合、且后者开始正常发送事件之后，接下来要做的就是启用 Auto Export to Amazon S3 功能。请大家点击此处并遵循其中的步骤以完成操作。需要注意的是，请大家务必牢记自己所使用的 Amazon S3 存储桶名称，因为我们在之后的步骤当中还将继续使用。

第三步：创建一套 Amazon Redshift 集群

如果大家还没有自己的一套 Amazon Redshift 集群，请点击此处了解其创建步骤（同时确保认真阅读了定价说明以及各免费选项介绍）。作为起步，大家可以首先创建一套小型 Amazon Redshift 集群，而后根据需求调整节点数量与集群类型以进行向上扩展。大家还可以重新创建自己的 Amazon Redshift 集群，并在后续使用当中随时对全部事件进行重新载入。当我们的 Amazon Redshift 上线并开始运行，接下来要做的是安装 SQL Workbench 或者其它能够用于在 Amazon Redshift 上运行查询指令的 SQL 客户端。

第四步：创建一个 AWS IAM 用户以实现 Amazon S3 存储桶访问
  1. 大家可以通过访问 AWS 控制台中的“Identity and Access Management”选项创建一个 AWS IAM 用户并为其生成访问密钥。请大家点击此处了解更为具体的操作步骤指南。
  2. 为该用户下载这套访问密钥及私钥。
  3. 利用以下模板将用户政策添加至第一部分创建完成的用户当中。这套政策允许用户以读取方式访问我们的 Amazon S3 存储桶（进而实现 Amazon Redshift 对事件的读取）。将其中的修改为我们事件导出时所指向的 Amazon S3 存储桶名称。
复制代码
 
{
  "Statement": [
    {
      "Resource": [
        "arn:aws:s3:::<YOUR-BUCKET-NAME>*"
      ],
      "Action": [
        "s3:ListBucket", "s3:GetObject*"
      ],
      "Effect": "Allow"
    }
  ],
  "Version": "2012-10-17"
}

第五步：创建表并映射文件（利用 SQL Workbench）

  1. 在我们的 Amazon S3 存储桶内创建一个名为“jsonpaths”的文件夹。
  2. 将以下文本内容添加至名为 eventmapping.json 的文件当中，并将其上传至：
    /jsonpaths/eventmapping.json
  3. Place the names of any custom metrics and attributes at the end 在 (update $[‘attributes’][’{custom attribute name}’] 与 $[‘metrics’][’{custom metric name}’] ) 末尾处设定任意自定义指标与属性。
复制代码
 
{
  "jsonpaths": [
    "$['event_type']", 
    "$['event_timestamp']", 
    "$['arrival_timestamp']", 
    "$['event_version']", 
    "$['application']['app_id']", 
    "$['application']['package_name']", 
    "$['application']['version_name']", 
    "$['application']['version_code']", 
    "$['application']['title']", 
    "$['application']['cognito_identity_pool_id']", 
    "$['application']['sdk']['name']", 
    "$['application']['sdk']['version']", 
    "$['client']['client_id']", 
    "$['client']['cognito_id']", 
    "$['device']['model']", 
    "$['device']['make']", 
    "$['device']['platform']['name']", 
    "$['device']['platform']['version']", 
    "$['device']['locale']['code']", 
    "$['device']['locale']['language']", 
    "$['device']['locale']['country']", 
    "$['session']['session_id']", 
    "$['session']['start_timestamp']", 
    "$['session']['stop_timestamp']", 
    "$['monetization']['transaction']['transaction_id']", 
    "$['monetization']['transaction']['store']", 
    "$['monetization']['transaction']['item_id']", 
    "$['monetization']['transaction']['quantity']", 
    "$['monetization']['transaction']['price']['reported_price']", 
    "$['monetization']['transaction']['price']['amount']", 
    "$['monetization']['transaction']['price']['currency']['code']", 
    "$['monetization']['transaction']['price']['currency']['symbol']", 
    "$['attributes']['class']", 
    "$['attributes']['level']", 
    "$['attributes']['name']", 
    "$['attributes']['paying customer']", 
    "$['metrics']['score']", 
    "$['metrics']['time played']", 
    "$['metrics']['total spent']"
  ]
}

创建表格以列举并存储事件，并通过一套视图对其加以访问。在 Amazon Redshift 当中修改并运行以下脚本以创建表格及视图。

  1. 对表中各以 a_ 及 m_ 开头的列进行修改：为其指定我们希望包含在 Amazon Redshift 表当中的自定义属性与自定义指标这些列将被映射至前文中所提到的 jsonpaths 文件内的属性与指标处。
  2. 我们建议大家将全部自定义属性以“a_”作为前缀，并以“m_”作为自定义指标前缀，这样不仅更易于识别、同时也能避免其与其它列中的命名发生冲突。
复制代码
 
CREATE schema AWSMA;
  
-- 创建此表用于临时容纳加载自 Amazon S3 的事件
CREATE TABLE AWSMA.event_staging(
   event_type VARCHAR(256) NOT NULL ENCODE LZO,
   event_timestamp TIMESTAMP NOT NULL ENCODE LZO,
   arrival_timestamp TIMESTAMP NOT NULL ENCODE LZO,
   event_version CHAR(12) NULL ENCODE LZO,
   application_app_id VARCHAR(64) NOT NULL ENCODE LZO,
   application_package_name VARCHAR(256) NULL ENCODE LZO,
   application_version_name VARCHAR(256) NULL ENCODE LZO,
   application_version_code VARCHAR(256) NULL ENCODE LZO,
   application_title VARCHAR(256) NULL ENCODE LZO,
   application_cognito_identity_pool_id VARCHAR(64) NULL ENCODE LZO,
   application_sdk_name VARCHAR(256) NULL ENCODE LZO,
   application_sdk_version VARCHAR(256) NULL ENCODE LZO,
   client_id VARCHAR(64) NOT NULL DISTKEY ENCODE LZO,
   client_cognito_id VARCHAR(64) NULL ENCODE LZO,
   device_model VARCHAR(256) NULL ENCODE LZO,
   device_make VARCHAR(256) NULL ENCODE LZO,
   device_platform_name VARCHAR(256) NULL ENCODE LZO,
   device_platform_version VARCHAR(256) NULL ENCODE LZO,
   device_locale_code VARCHAR(256) NULL ENCODE LZO,
   device_locale_language VARCHAR(64) NULL ENCODE LZO,
   device_locale_country VARCHAR(64) NULL ENCODE LZO,
   session_id VARCHAR(64) NULL ENCODE LZO,
   session_start_timestamp TIMESTAMP NULL ENCODE LZO,
   session_stop_timestamp TIMESTAMP NULL ENCODE LZO,
   monetization_transaction_id VARCHAR(64) NULL ENCODE LZO,
   monetization_transaction_store VARCHAR(64) NULL ENCODE LZO,
   monetization_transaction_item_id VARCHAR(64) NULL ENCODE LZO,
   monetization_transaction_quantity FLOAT8 NULL,
   monetization_transaction_price_reported VARCHAR(64) NULL ENCODE LZO,
   monetization_transaction_price_amount FLOAT8 NULL,
   monetization_transaction_price_currency_code VARCHAR(16) NULL ENCODE LZO,
   monetization_transaction_price_currency_symbol VARCHAR(32) NULL ENCODE LZO,
   a_class             VARCHAR(4000),
   a_level             VARCHAR(4000),
   a_name              VARCHAR(4000),
   "a_paying customer" VARCHAR(4000),
   m_score             float8,
   "m_time played"     float8,
   "m_total spent"     float8
)
SORTKEY ( application_app_id, event_timestamp, event_type);
  
-- 创建此表用于保存全部事件
CREATE TABLE AWSMA.event(
   event_type VARCHAR(256) NOT NULL ENCODE LZO,
   event_timestamp TIMESTAMP NOT NULL ENCODE LZO,
   arrival_timestamp TIMESTAMP NOT NULL ENCODE LZO,
   event_version CHAR(12) NULL ENCODE LZO,
   application_app_id VARCHAR(64) NOT NULL ENCODE LZO,
   application_package_name VARCHAR(256) NULL ENCODE LZO,
   application_version_name VARCHAR(256) NULL ENCODE LZO,
   application_version_code VARCHAR(256) NULL ENCODE LZO,
   application_title VARCHAR(256) NULL ENCODE LZO,
   application_cognito_identity_pool_id VARCHAR(64) NULL ENCODE LZO,
   application_sdk_name VARCHAR(256) NULL ENCODE LZO,
   application_sdk_version VARCHAR(256) NULL ENCODE LZO,
   client_id VARCHAR(64) NOT NULL DISTKEY ENCODE LZO,
   client_cognito_id VARCHAR(64) NULL ENCODE LZO,
   device_model VARCHAR(256) NULL ENCODE LZO,
   device_make VARCHAR(256) NULL ENCODE LZO,
   device_platform_name VARCHAR(256) NULL ENCODE LZO,
   device_platform_version VARCHAR(256) NULL ENCODE LZO,
   device_locale_code VARCHAR(256) NULL ENCODE LZO,
   device_locale_language VARCHAR(64) NULL ENCODE LZO,
   device_locale_country VARCHAR(64) NULL ENCODE LZO,
   session_id VARCHAR(64) NULL ENCODE LZO,
   session_start_timestamp TIMESTAMP NULL ENCODE LZO,
   session_stop_timestamp TIMESTAMP NULL ENCODE LZO,
   monetization_transaction_id VARCHAR(64) NULL ENCODE LZO,
   monetization_transaction_store VARCHAR(64) NULL ENCODE LZO,
   monetization_transaction_item_id VARCHAR(64) NULL ENCODE LZO,
   monetization_transaction_quantity FLOAT8 NULL,
   monetization_transaction_price_reported VARCHAR(64) NULL ENCODE LZO,
   monetization_transaction_price_amount FLOAT8 NULL,
   monetization_transaction_price_currency_code VARCHAR(16) NULL ENCODE LZO,
   monetization_transaction_price_currency_symbol VARCHAR(32) NULL ENCODE LZO,
   a_class             VARCHAR(4000),
   a_level             VARCHAR(4000),
   a_name              VARCHAR(4000),
   "a_paying customer" VARCHAR(4000),
   m_score             float8,
   "m_time played"     float8,
   "m_total spent"     float8
)
SORTKEY ( application_app_id, event_timestamp, event_type);
  
-- 创建一套视图
CREATE OR REPLACE VIEW AWSMA.v_event AS SELECT * FROM AWSMA.event;

第六步：从 Amazon S3 当中将事件加载至 Amazon Redshift（利用 SQL Workbench）

要从 Amazon S3 当中将事件加载至 AWSMA.event 表，我们需要分两步实现：

1. 利用复制命令将一定时间段内的事件由 Amazon S3 中复制至 AWSMA.event 表当中。

Copy events from Amazon S3 将来自 AWSMA.event 分段表的事件插入到 ASMA.event 表当中，从而保证不会将重复部分插入至 AWSMA.event 表。
  1. 要将数据加载至 Amazon Redshift 当中，请使用下面提供的 COPY 脚本。在执行该脚本之前，请确保完成以下内容修正：将替换为事件导出所指向的 Amazon S3 存储桶名称。
  2. 将替换为我们希望导入的应用程序 App ID。
  3. 将替换为我们用于访问 Amazon S3 存储桶的 IAM 用户访问密钥。
  4. 将替换为我们用于访问 Amazon Se 存储桶的 IAM 用户私钥。
  5. 提取我们需要进行数据加载的时间段。//分别用于指定包含需要导入事件的项目文件的对应前缀日期。根据我们实际需要加载事件的时间与数量，大家应该选定最合适的对应前缀：
  • 2015/01/20 将加载发送于 2015 年 1 月 20 日的全部事件。
  • 2015/0 将加载发送日期在 2015 年 1 月至 2015 年 9 月（含 1 月与 9 月）之间的全部事件。
  • 2015 将加载发送日期在今年之内的全部事件。

更新列清单以包含我们需要加载的各自定义指标与属性名称。此处指定的列清单必须与 jsonpaths 文件保证顺序相同。

复制代码
 
-- 首先截断该分段表
TRUNCATE AWSMA.event_staging;
 
-- 复制来自 Amazon S3 的事件
COPY 
  AWSMA.event_staging(
     "event_type",
     "event_timestamp",
     "arrival_timestamp",
     "event_version",
     "application_app_id",
     "application_package_name",
     "application_version_name",
     "application_version_code",
     "application_title",
     "application_cognito_identity_pool_id",
     "application_sdk_name",
     "application_sdk_version",
     "client_id",
     "client_cognito_id",
     "device_model",
     "device_make",
     "device_platform_name",
     "device_platform_version",
     "device_locale_code",
     "device_locale_language",
     "device_locale_country",
     "session_id",
     "session_start_timestamp",
     "session_stop_timestamp",
     "monetization_transaction_id",
     "monetization_transaction_store",
     "monetization_transaction_item_id",
     "monetization_transaction_quantity",
     "monetization_transaction_price_reported",
     "monetization_transaction_price_amount",
     "monetization_transaction_price_currency_code",
     "monetization_transaction_price_currency_symbol",
     "a_class",
     "a_level",
     "a_name",
     "a_paying customer",
     "m_score",
     "m_time played",
     "m_total spent"
  )
FROM
  's3://<YOUR BUCKET NAME>/awsma/events/<APP ID>/<YEAR>/<MONTH>/<DAY>'
credentials 
  'aws_access_key_id=<ACCESS KEY>;aws_secret_access_key=<SECRET KEY>'
EMPTYASNULL gzip TIMEFORMAT AS 'epochmillisecs' MAXERROR AS 0 
JSON AS 's3://<YOUR BUCKET NAME>/jsonpaths/eventmapping.json';

将加载事件插入至 AWSMA.event 表

现在各事件已经顺利进入 AWSMA.event 分段表，未来大家还需要向 AWSMA.event 表中插入更多新事件（即那些尚未进入 AWSMA.event 表的事件）。如此一来，我们就能够针对当前时段进行事件重新加载（举例来说，载入今年之内的全部最新事件），同时继续保持 AWSMA.event 表中的其它事件不受影响。

使用以下命令将来自 AWSMA.event 分段表内的数据加载至 AWSMA.event 表：

更新该列清单以添加我们需要加载的自定义指标与属性名称。

复制代码
 
-- 从分段表中加载各尚未进入 AWSMA.event 表的事件
INSERT INTO AWSMA.event (
     "event_type",
     "event_timestamp",
     "arrival_timestamp",
     "event_version",
     "application_app_id",
     "application_package_name",
     "application_version_name",
     "application_version_code",
     "application_title",
     "application_cognito_identity_pool_id",
     "application_sdk_name",
     "application_sdk_version",
     "client_id",
     "client_cognito_id",
     "device_model",
     "device_make",
     "device_platform_name",
     "device_platform_version",
     "device_locale_code",
     "device_locale_language",
     "device_locale_country",
     "session_id",
     "session_start_timestamp",
     "session_stop_timestamp",
     "monetization_transaction_id",
     "monetization_transaction_store",
     "monetization_transaction_item_id",
     "monetization_transaction_quantity",
     "monetization_transaction_price_reported",
     "monetization_transaction_price_amount",
     "monetization_transaction_price_currency_code",
     "monetization_transaction_price_currency_symbol",
     "a_class",
     "a_level",
     "a_name",
     "a_paying customer",
     "m_score",
     "m_time played",
     "m_total spent")
SELECT
     staging."event_type",
     staging."event_timestamp",
     staging."arrival_timestamp",
     staging."event_version",
     staging."application_app_id",
     staging."application_package_name",
     staging."application_version_name",
     staging."application_version_code",
     staging."application_title",
     staging."application_cognito_identity_pool_id",
     staging."application_sdk_name",
     staging."application_sdk_version",
     staging."client_id",
     staging."client_cognito_id",
     staging."device_model",
     staging."device_make",
     staging."device_platform_name",
     staging."device_platform_version",
     staging."device_locale_code",
     staging."device_locale_language",
     staging."device_locale_country",
     staging."session_id",
     staging."session_start_timestamp",
     staging."session_stop_timestamp",
     staging."monetization_transaction_id",
     staging."monetization_transaction_store",
     staging."monetization_transaction_item_id",
     staging."monetization_transaction_quantity",
     staging."monetization_transaction_price_reported",
     staging."monetization_transaction_price_amount",
     staging."monetization_transaction_price_currency_code",
     staging."monetization_transaction_price_currency_symbol",
     staging."a_class",
     staging."a_level",
     staging."a_name",
     staging."a_paying customer",
     staging."m_score",
     staging."m_time played",
     staging."m_total spent"
FROM AWSMA.event_staging staging
LEFT JOIN
  AWSMA.event events ON events.event_timestamp = staging.event_timestamp 
  AND events.application_app_id = staging.application_app_id 
  AND events.client_id = staging.client_id
WHERE
  events.client_id IS NULL;

祝贺大家！现在我们的事件已经做好接受查询的准备了。

如果大家希望进一步将其它事件载入 Amazon Redshift，那么可能只需要执行最后三条语句（truncate、copy 以及 insert），并指定我们需要进行加载之数据的具体日期（即 Amazon S3 文件夹名称）。多次重新加载同一时段内的事件时，AWSMA.event 表中只会纳入新增事件，而不会出现任何事件重复。

第七步：创建 Amazon Redshift 以实现数据查询（利用 SQL Workbench）

虽然我们确实可以利用同一个用户进行数据插入与查询，但从最佳实践的角度看，以群组方式创建多个 Amazon Redshift 以访问 AWSMA.v_event 视图并在通过 Tableau 等客户端进行数据查询时使用这些用户才是最理想的作法。此类用户只具备读取访问能力，而无法对数据进行修改或者删除。

复制代码
 
-- 创建 eventReaders 群组
CREATE GROUP eventReaders;
--Configure AWSMA schema privileges
GRANT usage ON schema AWSMA TO GROUP eventReaders;
GRANT SELECT ON AWSMA.v_event TO GROUP eventReaders;
-- 创建 eventReader 用户
CREATE USER <username> IN GROUP eventReaders PASSWORD '<password>';
现在开始，大家即可顺利进行查询。
从时长角度出发，三十天内活跃用户与设备。

现在开始，大家即可顺利进行查询。

从时长角度出发，三十天内活跃用户与设备。

复制代码
 
SELECT
   application_app_id AS "app id", 
   COUNT(DISTINCT client_id) AS "devices", 
   COUNT(DISTINCT client_cognito_id) AS "users",
   date_trunc('day', event_timestamp) AS "day"
FROM
   AWSMA.v_event
WHERE
   event_type = '_session.start' AND
   event_timestamp BETWEEN getdate() - 30 AND getdate() + 1
GROUP BY
   "app id", 
   "day"
ORDER BY
   "app id" ASC, 
   "day" DESC

从设备语言代码出发，三十天内活跃用户与设备。

复制代码
 
SELECT
   application_app_id AS "app id", 
   COUNT(DISTINCT client_id) AS "devices", 
   COUNT(DISTINCT client_cognito_id) AS "users",
   device_locale_language AS "language"
FROM
   AWSMA.v_event
WHERE
   event_type = '_session.start' AND
   event_timestamp BETWEEN getdate() - 30 AND getdate() + 1
GROUP BY
   "app id", 
   "language"
ORDER BY
   "app id" ASC, 
   "devices" DESC,
   "language"
;

从应用程序版本出发，三十天内活跃用户与设备。

复制代码
 
SELECT
   application_app_id AS "app id", 
   device_platform_name AS "platform",
   application_version_name AS "version name",
   application_version_code AS "version code",
   COUNT(DISTINCT client_id) AS "devices", 
   COUNT(DISTINCT client_cognito_id) AS "users"
FROM
   AWSMA.v_event
WHERE
   event_type = '_session.start' AND
   event_timestamp BETWEEN getdate() - 30 AND getdate() + 1
GROUP BY
   "app id", 
   "platform",
   "version name",
   "version code"
ORDER BY
   "app id" ASC, 
   "platform" ASC,
   "devices" DESC,
   "version name" DESC,
   "version code" DESC
;

过去三十天中销售量最高之项目。

复制代码
 
SELECT
   application_app_id AS "app id", 
   monetization_transaction_item_id AS "item id",
   monetization_transaction_store AS "store",
   COUNT(DISTINCT client_id) AS "devices", 
   COUNT(DISTINCT client_cognito_id) AS "users",
   SUM(monetization_transaction_quantity) AS "quantity",
   SUM(monetization_transaction_price_amount) "amount (Apple only)",
   monetization_transaction_price_currency_code AS "currency (Apple only)"
FROM
   AWSMA.v_event
WHERE
   event_type = '_monetization.purchase' AND
   event_timestamp BETWEEN getdate() - 30 AND getdate() + 1
GROUP BY
   "app id",
   "item id",
   "currency (Apple only)",
   "store"
ORDER BY
   "app id" ASC, 
   "item id" ASC,
   "quantity" DESC,
   "store",
   "devices" DESC
;

感谢大家的耐心阅读，我们期待着各位提出自己的意见与反馈。请点击此处在我们的论坛上留下您的真知灼见。

原文链接： http://mobile.awsblog.com/post/Tx2868860KKAM0E/Score-big-with-Amazon-Mobile-Analytics-and-Amazon-Redshift

2015 年 6 月 10 日 00:351427
文章版权归极客邦科技InfoQ所有，未经许可不得转载。
大数据语言 & 开发架构AI

评论

发布
暂无评论

更多内容推荐

发现更多内容

推荐阅读

电子书

大厂实战PPT下载

换一换
    360金融的AI实践之旅
    360金融的AI实践之旅

    苏绥 | 360金融 大数据总监

    立即下载
    如何学习枯燥乏味的计算机理论知识？

    刘超 | 极客时间 《趣谈互联网协议》专栏作者

    立即下载
    基于 Oracle 自治数据库快速开发智能分析应用

    李青 | Oracle 资深顾问、ADW 专家团队

    立即下载

Kafka 消息丢失与消费精确一次性

奈学教育

kafka

原创 | TDD工具集：JUnit、AssertJ和Mockito (二十五)运行测试-在IDE中运行测试

编程道与术

Java intellij-idea 编程 TDD 单元测试

Redis分布式锁课堂开课了！

小闫

redis Spring Cloud Redis项目

java基础思维导图，让java不再难懂 （建议收藏））

码哥小胖

Spring Boot Java 面试 Java 分布式

分布式柔性事务之最大努力通知事务详解

奈学教育

分布式事务

一致性hash

彭阿三

一致性hash

游戏夜读 | 互动剧的黎明到了？

game1night

架构师训练营第4周总结

aoeiuvzcs

高效程序员的七个好习惯——你有吗？

小谈

JVM Java 面试 springboot 程序员素养 SpringCloud

系统架构师week04 Homework - 互联网架构技术手段和方案

尔东雨田

极客大学架构师训练营

Kafka 消息丢失与消费精确一次性

古月木易

kafka

向女朋友解释乐观锁与悲观锁的小妙招！

小闫

spring 面试 Spring Cloud 乐观锁 悲观锁

太阳马戏团在疫情下的组合式创新

石云升

商业模式 组合式创新 思想实验

AndroidStudio真机调试 - Waiting for Debugger

麦叔

Android Studio 真机调试

忘掉 Snowflake，感受一下性能高出 587 倍的全局唯一 ID 生成算法

今日长剑在握

golang redis 架构 分布式 CAP

听说你还没学Spring就被源码编译劝退了？30+张图带你玩转Spring编译

程序员DMZ

spring Spring源码编译

猿灯塔：疫情冲击，去体验远程面试被怼10分钟，今年Java开发找工作真难

猿灯塔

阿里技术官：这样带你学Spring全家桶，其实没你想的那么难

小吴选手

spring Spring Cloud Spring Boot

信创舆情一线--印度封禁59款中国App

统小信uos

App 舆情 印度

测试开发工程师修炼手册—测试技能大盘点

Zoe

测试工程师产出

马匹、马镫、马车，和华为的数据基础设施革新

脑极体

架构师训练营 第五周 作业

Poplar

理解 Mysql 索引底层原理只需这一篇就够了

小谈

MySQL 数据结构 Spring Cloud Spring Boot Java 面试

2020年7月国产数据库排行：华为、腾讯发新品，中兴、阿里结硕果

墨天轮

数据库 阿里 排行榜

四面阿里巴巴回来分享面经总结，定级P7架构师

小吴选手

架构 技术 Spring Boot 阿里 Java 面试

nightingale安装详解

曾祥斌

自动特征工程在推荐系统中的研究

天枢数智运营

人工智能 推荐系统

ThreadPoolExecutor 线程池使用

郭儿的跋涉

线程 多线程 线程池

区块链正处于手脚并用攀爬的“攻坚时刻”

CECBC区块链专委会

数据上链 市场选择

分布式柔性事务之最大努力通知事务详解

古月木易

分布式事务

五分钟让你搞懂Nginx负载均衡原理及四种负载均衡算法

架构大数据双料架构师

Copyright © 2020, Geekbang Technology Ltd. All rights reserved. 极客邦控股（北京）有限公司 | 京 ICP 备 16027448 号 - 5京公网安备京公网安备 11010502039052号
利用Amazon Mobile Analytics与Amazon Redshift实现规模化数据分析-InfoQ