MongoShake——基于MongoDB的跨数据中心的数据复制平台
MongoShake是基于MongoDB的通用型平台服务，作为数据连通的桥梁，打通各个闭环节点的通道。通过MongoShake的订阅消费，可以灵活对接以适应不同场景，例如日志订阅、数据中心同步、监控审计等。其中，集群数据同步作为核心应用场景，能够灵活实现灾备和多活的业务场景。
immutable.js 在React、Redux中的实践以及常用API简介
# 简介
这个immutable Data 是什么鬼，有什么优点，好处等等，我就不赘述了，这篇[Immutable 详解及 React 中实践](https://zhuanlan.zhihu.com/p/20295971?columnSlug=purerender)讲的很透彻。
# 一个说明不可变的例子
这个可变和不可变是相对于 JavaScript原生引用类型来说的。
```
//
顺序表数据结构在python中的应用
数据结构不仅仅指的数据值在逻辑上的结构，更有在存储空间上的位置结构，顺序表，故名思意是有一定顺序的数据结构。
顺序表最基本模型如图：
对于基本布局顺序表而言，它存储相同单元大小并且在内存地址上连续的数据，逻辑地址是其元素的逻辑顺序，物理地址第一个元素的内存地址加上离第一个元素的距离，如：e1物理地址是l0，那么e2的物理地址是e1的地址加上e1所占用的大小c，以此类推，en的物理地址是l0+（n-1）*c。
MongoDB查询优化：从 10s 到 10ms
本文是我前同事付秋雷最近遇到到一个关于MongoDB执行计划选择的问题，非常有意思，在探索源码之后，他将整个问题搞明白并整理分享出来。付秋雷(他的博客）曾是Tair（阿里内部用得非常官方的KV存储系统）的核心开发，目前就职于蘑菇街。
【阿里在线技术峰会】蒋晓伟：Blink计算引擎
在首届阿里巴巴在线峰会上，阿里资深搜索专家蒋晓伟为大家带来了题为《Blink计算引擎》的分享，相比于Flink，在上层，Blink具有批和流一体化的完备Table API，使得其能够支撑各类业务需求；在底层，Blink重新开发了兼容Flink以及生态的Runtime，实现了流处理和批处理完美的统一。
PostgreSQL 百亿地理位置数据 近邻查询性能
本文主要要展示的是PostgreSQL在位置信息近邻（KNN）查询方面的性能。
测试类型point，索引类型GiST。
（PostGIS同样支持KNN查询，性能和本文的测试差不多）
测试数据量大于100亿。
