2303_78788923的博客

获取我们将要上传的视频，在前端通过spark-md5 对大文件每一个分片生成MD5哈希值保证数据在传输过程中被篡改或替换，保障数据的安全性。1.首先我们通过在阿里云OSS对象存储控制台创建Bucket。创建成功以后 我们需要到ARM去开启授权。AccessKeyId需要自己创建。2.进入OSS对象存储控制台。后端 Controller。基于阿里云OSS对象存储。首先在yml配置这些。点击创建Bucket。设置Bucket属性。

实际上这一块是难点之一，比如说对数据源管理的话，我们是以插件式的形式去做的，比如说我如果现在想要集成一个 Es我需要写好es的读执行器，es的写执行器，es转换执行器，以插件式的形式来去简化我们的工作，这一块我们也是参考电子插的设计架构来的。，其特征是是一些应该有的信息缺失，如供应商的名称，分公司的名称，客户的区域信息缺失、业务系统中主表与明细表不能匹配等。像flink的话这一块，我们用它一个 cdh做了一个和在现场实现的功能，就是能对卡夫卡的数据，然后做一个布控比对的操作产生告警，主要做了这一块。

尤为重要的是，它为医生科研项目提供了强大的数据分析工具与平台，助力医生深入挖掘数据价值，分析各平台数据间的关联与趋势，为临床研究、疾病预测、治疗方案优化等提供科学依据，推动医疗科研水平的提升。后台会启动异步的Compaction进程对历史版本的数据进行清理，当用户在查询时，Doris会将最新版本对应的数据返回给用户，这种设计解决了海量数据的更新问题。在实时数仓构建的过程中，还需面临高并发写入和实时更新的挑战，如何在亿级数据中快速找到需要更新的数据，并对其进行更新，⼀直都是大数据领域不断追寻的答案。

秒杀是一个读多写少的场景，可以使用Redis做缓存，但是单体Redis可能顶不住（单机的Redis我感觉3-4W的QPS还是能顶得住的），这时候就需要搭建Redis集群，提升redis的性能和可用性，我们开始秒杀前通过定时任务提前把商品的库存加载到Redis中去，让整个流程都在Redis里面去做，然后等秒杀结束了，再异步的去修改库存就好了，但是要加事务，Redis本身是支持事务的，而且他有很多原子命令的，也可以用LUA脚本。为了提升下单的效率，并且防止下单服务的失败，需要将下单这一操作进行异步处理。

八维数据平台应运而生，旨在为企业提供一套全面的数据管理和分析解决方案，通过集成多种数据源管理、接口配置、项目和任务管理、规则与流程控制、用户权限管理以及数据分析和服务监测功能，帮助企业实现数据驱动的决策支持和业务流程自动化。ETL是将业务系统的数据经过抽取、清洗转换之后加载到数据仓库的过程，目的是将企业中的分散、零乱、标准不统一的数据整合到一起，为企业的决策提供分析依据。前两种方法各有各的优缺点，借助工具可以快速的建立起ETL工程，屏蔽了复杂的编码任务，提高了速度，降低了难度，但是缺少灵活性。

ThreadLocal即线程本地变量，如果你创建了一个ThreadLocal的变量，那么访问这个变量的每一个线程都会有这个变量的一份本地拷贝，多个线程操作这个变量的时候，实际上是在操作自己本地内存里面的变量，从而起到线程隔离的作用，避免了并发场景下的线程安全问题。每个线程操作数据的时候会把数据从主内存读取到自己的工作内存，如果他操作的数据并且回写到了主内存，其他已经读取的线程的变量副本就会失效，需要对数据操作就又要去主内存中读取了，说白了就是，一个线程改变了一个共享变量，会告诉其他线程，让他们的变量失效。

比如说源端有1,000万的人口信息同步到我们的库里边只有800万了，我们需要做好一个对标功能，告诉客户为什么只有800万，另外200万去哪了，比如说有50万是质量不达标的，我给扔了，然后有50万我是发送失败从事的，我也保存起来了等等的，现在数据对标这是一个大难点。A. 不完整的数据，其特征是是一些应该有的信息缺失，如供应商的名称，分公司的名称，客户的区域信息缺失、业务系统中主表与明细表不能匹配等。C. 重复的数据，特别是维表中比较常见，将重复的数据的记录所有字段导出来，让客户确认并整理。