时序数据库在当下产业互联网背景下，在金融、工业等领域得到越来越多的应用，主要面向高并发、海量时序数据等应用场景中。

大规模时序数据具有特点

• 占用空间极大
• 数据总吞吐量大
• 产生速度快且不间断

时序数据存储的需求

• 全时全量
• 高效写入
• 紧凑存储

时序数据库与关系型数据库

• 时序数据管理具有超高性能，超多序列的特点
• 关系型数据库具有写入受限的缺点

1. 单表列数上限 mysql innodb最大为1017列
2. 单表行数不易过多 小于1000万行
3. 水平、垂直分表；分库 键值数据库可管理海量条时间序列数据，但查询受限：主要包括按时间纬度的查询，按值纬度的查询，多序列的时间对齐查询。

除此之外，时序数据库还有一个优点：由于时序数据库其具有时间相关性，不需要处理关系性数据库下的分布式锁这类比较繁琐的事务。

时序数据库大体上可分为三种：

1. 基于关系数据库的： Timescale,基于PG开发的插件 能够做到： 时序数据自动分区 优化查询计划 定制并行查询 但随着导入时间增加时，其导入效率不断下降

2. 基于键值数据库的： OpenTSDB,KairosDB 这类时序数据库一般基于HBase/Cassandra衍生， 支持时序分区键，定时任务构件索引。但存在压缩不友好，查询不友好的缺点。

3. 原生时序数据库： influxdb 基于LSM机制的时序库， 专属文件结构 专属查询优化 特定工业场景下性能会下降 iotdb grafana-adaptor pisa索引

常用时序数据库：

iotdb influxdb taosdb timescale kairosdb

经过测试iotdb性能较优

主要介绍ubuntu 18.04安装OpenCV 4.2.0

作为python中最通用的http工具库之一——requests，具有简洁、直观和全面的特点，一般来说，requests与python中的内置模块urllib3已经逐渐成为程序员处理HTTP请求的首选工具。

广受各大企业赞助的jupyter团队所开发的jupyter系列产品(主要包括jupyter notebook、jupyterlab和jupyterhub)，在数据科学领域变得越来越火热，依托python强大的语言生态，得益于其良好的扩展性和友好的用户交互，jupyter逐渐成为数据分析可视化的首选开源工具之一，下面将对数据分析实践过程中针对jupyter的调研分析进行小结.如果你正在使用python语言进行相关数据分析，本文所记录的jupyter相关实践可能对你会有所帮助。

软件开发原则是一组具体的规则和建议，如果工程师想要编写工整、清晰和可维护的代码，那么他们需要在程序实现过程中应该遵循一些规则和建议。 没有魔杖可以把变量、类和函数的混合物变成完美的代码，但是有一些技巧和提示可以帮助工程师评判是否在做正确的事情。

Java基础知识清单
主要包括面向对象、基础语法、高级进阶三部分

Markdown是一种轻量级标记语言。你不需要关心标题多大字号，段前距多少，列表缩进几格，只要在纯文本前后增加一些标记符号（例如 # - * >)，就能轻松写出工整精美的文章。与富文本编辑器（例如Word）是通过点击图形化的功能按钮来实现排版，而Markdown则是通过标记字符去赋予文字不同格式。易读易写（easy-to-read and easy-to-write),让任何与文字打交道的人专注于写作，不用操心排版，这一点类似vi编辑器功能。

本文从低代码发展历史、 相关领域发展情况、以及具体的实现三个方面对低代码的前世今生进行探索。

APIJSON实践