Iceberg从入门到精通系列之二十四：Spark Structured Streaming
Iceberg 使用 Apache Spark 的 DataSourceV2 API 来实现数据源和目录。Spark DSv2 是一个不断发展的 API，在 Spark 版本中提供不同级别的支持。
Iceberg从入门到精通系列之二十一：Spark集成Iceberg
Spark 支持通过指定catalog-impl 属性来加载自定义Iceberg Catalog 实现。
Iceberg从入门到精通系列之二十二：Spark DDL
新创建的表不会继承 SELECT 中源表的分区规范和表属性，您可以使用 CTAS 中的 PARTITIONED BY 和 TBLPROPERTIES 来声明新表的分区规范和表属性。新数据将使用新分区写入，但现有数据将保留在旧分区布局中。当表的分区发生变化时，动态分区覆盖行为也会发生变化，因为动态覆盖
Iceberg从入门到精通系列之二十三：Spark查询
要在 Spark 中使用 Iceberg，请首先配置 Spark 目录。Iceberg 使用 Apache Spark 的 DataSourceV2 API 来实现数据源和目录。
Iceberg从入门到精通系列之六：Flink集成Iceberg
Iceberg从入门到精通系列之六：Flink集成Iceberg
【大数据】Apache Iceberg 概述和源代码的构建
我们在使用不同的引擎进行大数据计算时，需要将数据根据计算引擎进行适配。这是一个相当棘手的问题，为此出现了一种新的解决方案：介于上层计算引擎和底层存储格式之间的一个中间层。这个中间层不是数据存储的方式，只是定义了数据的元数据组织方式，并向计算引擎提供统一的类似传统数据库中 “表” 的语义。它的底层仍然
Iceberg从入门到精通系列之二：Iceberg集成Hive
Hive的元数据服务是一种存储和管理Hive表格和数据定义的中央服务，它允许用户定义表格、分区和桶等元数据信息，并将其存储在Hive元数据存储库中。因此，内部表和外部表的主要区别在于数据和元数据的存储位置和管理方式。内部表由Hive管理数据和元数据，而外部表只由Hive管理元数据，实际的存储数据由外
Iceberg从入门到精通系列之九：flink sql修改Iceberg表和删除Iceberg表
Iceberg从入门到精通系列之九：flink sql修改Iceberg表和删除Iceberg表。
iceberg对比hive优势
在传统的实时数仓中，由于列式存储相对行式存储有较高的查询性能，我们一般采用parquet，orc等列存储数据格式。传统的流式数据入库的过程中对小文件进行合并会产生很多问题，比如流式数据不断的往hive表进行写入，如果同时有一个合并程序进行小文件的合并，那么这时候对同一份数据进行读写。当有实时指标计算
Iceberg从入门到精通系列之七：Flink SQL创建Catalog
Iceberg还支持HDFS中基于目录的catalog，可以使用‘catalog-type’='hadoop’配置。重启flink 集群，重新进入sql-client。
Iceberg实战踩坑指南
本文demo基于 0.11.1 版本较老，iceberg官网已经没有该版本样例了，同时改版本也不支持一些iceberg的新特性，比如：upsert功能，动态schema变更以及索引和小文件合并等问题。但是不影响对主要API和功能的学习和理解
iceberg-flink 八：累积窗口使用。（CUMULATE）
CUMULATE flink iceberg
