分享一样实时数仓的课程——《实战Flink+Doris实时数仓》，2023年6月完结新课，提供配套的源码+文档+虚拟机下载！！ 《实战Flink+Doris实时数仓》-day01: 01.flink核心概念复习. 02.flink核心概念复习-事件时间语义与watermark. 03.实时数仓-架构理论及市场上各类架构调研. 04.实时数仓-基于我们公司的架构设计. 05.实时数仓-ods数据公共维度退维需求及设计. 06.实时数仓-用户属性退维的具体方案. 07.实时数仓-用户属性表同步到hbase代码开发. 08.实时数仓-用户属性维表同步运行测试. 09.实时数仓-地理位置维表加工并加载到hbase. 10.实时数仓-页面信息维表加工入库. 11.实时数仓-今日要点回顾总结. 《实战Flink+Doris实时数仓》-day02: 01.实时数仓-公共维度退维开发-数据准备. 02.实时数仓-公共维度退维-行为日志表创建映射. 03.实时数仓-公共维度退维-其他映射表创建. 04.实时数仓-公共维度退维-主代码开发. 05.实时数仓-流量主题看板-指标开发任务1. 06.实时数仓-流量主题看板-指标开发2. 07.实时数仓-流量主题看板-活动页流量统计‘. 08.号外-项目中依赖版本冲突的问题. 09.实时数仓-流量主题看板-topn页面. 10.实时数仓-流量主题olap轻度聚合etl开发. 《实战Flink+Doris实时数仓》-day03: 01.实时流量概况olap分析基础表etl任务-doris中物化视图的创建和使用. 02.访问时长olap-etl任务-需求分析和逻辑设计. 03访问时长olap-代码开发1（数据读取）. 04.访问时长olap-代码开发2（虚拟差值实现）. 05.访问时长分析-虚拟插值法乱序问题. 06.访问时长分析-插值数据如何聚合及如何在doris中合并. 07.访问时长分析-按时间窗口聚合计算后写入doris. 08.访问时长分析-状态清理问题. 09.视频播放分析主题-需求分析及模型设计及计算方案设计. 10.视频播放行为分析主题-主题维表同步任务开发. 11.视频播放行为分析主题-聚合统计逻辑开发. 《实战Flink+Doris实时数仓》-day04: 01.视频播放olap分析-实时报表查询演示. 02.视频播放olap聚合任务的技术要点-可以讲2个故事. 03.搜索行为olap主题-需求分析和概要设计. 04.搜索行为olap主题-近义词和分词维度信息的获取方案. 05.搜索行为olap主题-搜索数据聚合开发. 06.搜索行为olap主题-维度拓展代码开发1. 07.搜索行为olap主题-维度拓展代码开发2. 08.搜索行为olap主题-维度拓展-异步IO改造. 09.搜索行为olap主题-olap报表查询演示. 10.推荐栏位行为olap主题-需求背景及模型设计. 11.推荐栏位行为olap主题-聚合代码开发. 《实战Flink+Doris实时数仓》-day05: 01.广告事件olap分析主题-业务背景及开发方案及报表查询示例. 02.广告点击率预估-特征数据工程-需求-业务-数据-方案. 03.广告点击率预估-请求特征日志数据同步到hbase开发. 04.CEP快速上手. 05.广告点击率预估-曝光点击事件CEP匹配开发. 06.广告点击率预估-特征lookup及测试. 07.广告点击率预估-负例特征的计算方案分析. 《实战Flink+Doris实时数仓》-day06: 01.业务域分析需求概述. 02.订单表同步doris任务开发(1)-连接器表创建.' '03.订单表同步doris任务开发(2)-join及插入doris.' 04.订单日清日结看板开发1-第1个坑. 05.订单日清日结看板开发2-第2个坑及最终解决. 06.订单日清日结看板开发3-结果写入mysql. 07.订单日清日结api版-流式cdc-connector使用. 08.订单日清日结api版-计算逻辑方案设计. 09.订单日清日结api版-差值调整逻辑实现. 10.订单日清日结api版-汇总计算逻辑实现. 11.订单日清日结api版-结果输出到mysql. 《实战Flink+Doris实时数仓》-day07: 01.品牌topn支付额商品-sql开发-隐蔽的陷阱. 02.品牌topn支付额商品-changelog流的精细化控制操作. 03.品牌topn支付额商品-取分组topn的逻辑实现. 04.背压机制理解. 05.背压的查找和定位. 06.项目中的一些背压产生场景及解决手段. 07.checkpoint问题及项目中的调优场景经验. 实时数据仓库（Real-time Data Warehouse）是指能够实时地处理和分析数据，使得数据仓库中的数据是最新的、最准确的，并且可以实时响应用户的查询和分析需求的一种数据仓库系统。 与传统的数据仓库相比，实时数据仓库更加注重数据的实时性和对业务的实时响应能力。传统数据仓库通常是每日、每周或每月定期进行数据的抽取、转换和加载（ETL），更新的速度较慢，一般不支持实时查询和分析。而实时数据仓库则更加注重数据的实时性和对业务的实时响应能力，能够在数据发生变化时及时响应用户的查询和分析需求。 实时数仓建设目的 1. 解决传统数仓的问题 从目前数仓建设的现状来看，实时数仓是一个容易让人产生混淆的概念，根据传统经验分析，数仓有一个重要的功能，即能够记录历史。通常，数仓都是希望从业务上线的第一天开始有数据，然后一直记录到现在。但实时流处理技术，又是强调当前处理状态的一个技术，结合当前一线大厂的建设经验和滴滴在该领域的建设现状，我们尝试把公司内实时数仓建设的目的定位为，以数仓建设理论和实时技术，解决由于当前离线数仓数据时效性低解决不了的问题。 现阶段我们要建设实时数仓的主要原因是： 公司业务对于数据的实时性越来越迫切，需要有实时数据来辅助完成决策； 实时数据建设没有规范，数据可用性较差，无法形成数仓体系，资源大量浪费； 数据平台工具对整体实时开发的支持也日渐趋于成熟，开发成本降低。 2. 实时数仓的应用场景 实时 OLAP 分析； 实时数据看板； 实时业务监控； 实时数据接口服务。 Doris 采用了 Adaptive Query Execution 技术， 可以根据 Runtime Statistics 来动态调整执行计划，比如通过 Runtime Filter 技术能够在运行时生成生成 Filter 推到 Probe 侧，并且能够将 Filter 自动穿透到 Probe 侧最底层的 Scan 节点，从而大幅减少 Probe 的数据量，加速 Join 性能。Doris 的 Runtime Filter 支持 In/Min/Max/Bloom Filter。 在优化器方面 Doris 使用 CBO 和 RBO 结合的优化策略，RBO 支持常量折叠、子查询改写、谓词下推等，CBO 支持 Join Reorder。目前 CBO 还在持续优化中，主要集中在更加精准的统计信息收集和推导，更加精准的代价模型预估等方面。
