技术说

本文希望帮助你快速搭建 RisingWave 学习环境，学习如何连接数据库，通过几个示例快速了解 Risingwave 的基本用法以及一些注意事项。

本文分享了一个强大的电子商务数据管道解决方案。PostgreSQL 可作为事务数据的存储，CDC 可有效捕获和跟踪变更，RisingWave 则用于实现实时分析，如销售监控和库存管理。

Operator 能管理 RisingWave 集群，它使得部署、升级、监控和扩展 RisingWave 集群的操作变得简单、高效、自动化。

流计算的计算模型对变更流操作的顺序要求比传统 SQL 计算模型更高，文章讲述了 RisingWave 如何将传统 SQL 引擎的数据并行模型迁移到关系型流处理引擎上。

在构建事件驱动应用时，人们面临着两大挑战：1）低延迟处理大量数据；2）实现流数据的实时摄取和转换。结合 RisingWave 和 ScyllaDB 可为构建事件驱动应用和数据管道提供有效的解决方案。

NATS JetStream、RisingWave 和 Superset 这三个系统设置过程简单省力，资源效率高且具有强大的可扩展性，可以构建一个强大的解决方案，用于开发可靠且可扩展的实时物联网应用。

ClickHouse 作为一款高性能列式 DBMS，可以处理大量数据和复杂分析查询。RisingWave 的实时数据转换功能，能对数据进行预处理与扩充，确保导入数据满足精确分析的需要。

在RisingWave中，所有内部状态和物化视图的存储都是基于一套名为Hummock的存储来实现的。Hummock 并不是一个 storage system，而是一个 storage library。

RisingWave 的核心功能是流计算，而流计算在流数据库中的呈现方式就是物化视图。 本文将讲解 RisingWave 物化视图的作用以及使用方法。

在现代的数据处理和分析中，SQL 语言是处理结构化数据的强大工具。然而，随着数据分析的复杂性增加，标准的 SQL 语句和内置函数可能不足以满足所有的数据处理需求，这就引出了用户定义函数（UDF）。

在公司业务场景中，通常需要使用流计算引擎从多个数据源获取数据、进行 ETL 操作，并将清洗后的数据导入到数据分析系统或数据湖中。由于最后产生出来的表是一张宽表，我们通常也称这个过程为“数据打宽“。

本教程介绍了如何使用 RisingWave 和 Kafka 构建实时威胁检测系统。通过在 RW 中创建物化视图，可以高效查询和分析流数据，而 Kafka 则确保了系统不同组件之间的可靠数据传输。

打宽+实时分析是流处理领域最常见的场景，但业内仍然有许多亟待解决的痛点：复杂流处理逻辑的大状态维护；如何长时间地（如数月）保留中间状态；如何基于大宽表做实时物化视图。今天将为大家带来一个新的解决方案。

本文将为大家分享如何使用 RisingWave 来消费消息队列中的数据流并进行数据分析。我们将使用广告曝光和点击事件作为样本数据，并计算广告曝光后一分钟内的点击量。

MongoDB 在维护实时视图或执行流处理任务的内置支持方面，确实存在一些局限，本文将为大家介绍一个实用的解决方案。

用 MindsDB 在 RisingWave 上进行模型训练为数据工程团队带来了一些独特的价值：训练流式数据、将模型训练的负载和其他业务解耦等等。

本文介绍了重构 RisingWave Iceberg 连接器的原因、Iceberg v2 中新引入的流式更新支持、可能出现的表维护问题以及解决方案。

在这篇博文中，我会介绍一种流处理解决方案，用于全面且动态地了解维基百科的编辑情况，使用工具如下：RisingWave、Instaclustr 和 Apache Superset。

Hummock 经过几个版本的重大改进获得了更高的性能与更低的成本需要。本文将详细介绍相关优化，比如：Fast Compaction、IO Prefetch 等。

本文将为大家介绍开源分布式流数据库｜ RisingWave 的内核存储引擎 Hummock 针对 Streaming 所做的一些优化。