1.课前导读
├──01 _ 什么是大数据：从GFS到Dataflow，12年大数据生态演化图
├──02 _ 学习方法：建立你的大数据知识网络
├──开篇词 _ 读论文是成为优秀工程师的成年礼
10.结束语
├──结束语 _ 长风破浪会有时，直挂云帆济沧海
2.基础知识篇：Google的三驾马车
├──03 _ The Google File System （一）： Master的三个身份
├──04 _ The Google File System （二）： 如何应对网络瓶颈？
├──05 _ The Google File System （三）： 多写几次也没关系
├──06 _ MapReduce（一）：源起Unix的设计思想
├──07 _ MapReduce（二）：不怕失败的计算框架
├──08 _ Bigtable（一）：错失百亿的Friendster
├──09 _ Bigtable（二）：不认识“主人”的分布式架构
├──10 _ Bigtable（三）：SSTable存储引擎详解
├──11 _ 通过Thrift序列化：我们要预知未来才能向后兼容吗？
├──12 _ 分布式锁Chubby（一） ：交易之前先签合同
├──13 _ 分布式锁Chubby（二） ：众口铄金的真相
├──14 _ 分布式锁Chubby（三） ：移形换影保障高可用
3.数据库篇：OLAP和OLTP，一个都不能少
├──15 _ Hive：来来去去的DSL，永生不死的SQL
├──16 _ 从Dremel到Parquet（一）：深入剖析列式存储
├──17 _ 从Dremel到Parquet（二）：他山之石的MPP数据库
├──18 _ Spark：别忘了内存比磁盘快多少
├──19 _ Megastore（一）：全国各地都能写入的数据库
├──20 _ Megastore（二）：把Bigtable玩出花来
├──21 _ Megastore（三）：让Paxos跨越“国界”
├──22 _ Spanner（一）：“重写”Bigtable和Megastore
├──23 _ Spanner（二）：时间的悖论
├──24 _ Spanner（三）：严格串行化的分布式系统
4.实时处理篇：批处理只是流式处理的“特殊情况”
├──25 _ 从S4到Storm（一）：当分布式遇上实时计算
├──26 _ 从S4到Storm（二）：位运算是个好东西
├──27 _ Kafka（一）：消息队列的新标准
├──28 _ Kafka（二）：从Lambda到Kappa，流批一体计算的起源
├──29 _ Dataflow（一）：正确性、容错和时间窗口
├──30 _ Dataflow（二）：MillWheel，一个早期实现
├──31 _ Dataflow（三）：一个统一的编程模型
5.复习篇
├──复习课（一）_ The Google File System
├──复习课（七）_ Dremel
├──复习课（三）_ Bigtable
├──复习课（九）_ Megastore
├──复习课（二）_ MapReduce
├──复习课（五）_ Chubby
├──复习课（八）_ Resilient Distributed Datasets
├──复习课（六）_ Hive
├──复习课（十）_ Spanner
├──复习课（四）_ Thrift
6.加餐篇
├──加餐1 _ 选择和努力同样重要：聊聊如何读论文和选论文
├──加餐2 _ 设置你的学习“母题”：如何选择阅读材料？
├──加餐3 _ 我该使用什么样的大数据系统？
7.资源调度篇：Google藏了10年的杀手锏
├──32 _ Raft（一）：不会背叛的信使
├──33 _ Raft（二）：服务器增减的“自举”实现
├──34 _ Borg（一）：当电力成为成本瓶颈
├──35 _ Borg（二）：互不“信任”的调度系统
├──36 _ 从Omega到Kubernetes：哺育云原生的开源项目
8.用户故事
├──用户故事 _ 核桃：95后的技术成长之路
├──用户故事 _ 许灵：不抛弃不放弃
├──用户故事 _ 陈煌：唯有自强不息，方能屹立不倒
├──用户故事 _ 黄涛：水滴石穿、坚持不懈，必能有所精进
9.实战应用篇：学以致用的大数据论文
├──37 _ 当数据遇上AI，Twitter的数据挖掘实战（一）
├──38 _ 当数据遇上AI，Twitter的数据挖掘实战（二）
├──39 _ 十年一梦，一起来看Facebook的数据仓库变迁（一）
├──40 _ 十年一梦，一起来看Facebook的数据仓库变迁（二）
请先 ！