Merge pull request #1 from cwiki-us-docs/init_docs

重命名文档结构

DataIngestion/datamanage.md

@@ -177,7 +177,7 @@ Druid支持永久的将标记为"unused"状态（详情可见架构设计中的
 
 对于通过Coordinator API来禁用段的文档，可以详细看 [Coordinator数据源API](../Operations/api.md#coordinator)
 
-在本文档中已经包含了一个删除删除的教程，请看 [数据删除教程](../Tutorials/chapter-9.md)
+在本文档中已经包含了一个删除删除的教程，请看 [数据删除教程](../tutorials/chapter-9.md)
 
 ### 杀死任务
 

DataIngestion/ingestion.md

@@ -79,7 +79,7 @@ Druid Schema必须始终包含一个主时间戳。主时间戳用于对 [数据
 #### 指标
 Metrics是以聚合形式存储的列。启用 [rollup](#Rollup) 时，它们最有用。指定一个Metric允许您为Druid选择一个聚合函数，以便在摄取期间应用于每一行。这有两个好处：
 
-1. 如果启用了 [rollup](#Rollup)，即使保留摘要信息，也可以将多行折叠为一行。在 [Rollup教程](../Tutorials/chapter-5.md) 中，这用于将netflow数据折叠为每（`minute`，`srcIP`，`dstIP`）元组一行，同时保留有关总数据包和字节计数的聚合信息。
+1. 如果启用了 [rollup](#Rollup)，即使保留摘要信息，也可以将多行折叠为一行。在 [Rollup教程](../tutorials/chapter-5.md) 中，这用于将netflow数据折叠为每（`minute`，`srcIP`，`dstIP`）元组一行，同时保留有关总数据包和字节计数的聚合信息。
 2. 一些聚合器，特别是近似聚合器，即使在非汇总数据上，如果在接收时部分计算，也可以在查询时更快地计算它们。
 
 Metrics是通过 [`metricsSpec`](#metricsSpec) 配置的。
@@ -99,7 +99,7 @@ rollup默认是启用状态。
 Rollup由 `granularitySpec` 中的 `rollup` 配置项控制。 默认情况下，值为 `true`(启用状态)。如果你想让Druid按原样存储每条记录，而不需要任何汇总，将该值设置为 `false`。
 
 #### rollup示例
-有关如何配置Rollup以及该特性将如何修改数据的示例，请参阅[Rollup教程](../Tutorials/chapter-5.md)。
+有关如何配置Rollup以及该特性将如何修改数据的示例，请参阅[Rollup教程](../tutorials/chapter-5.md)。
 
 #### 最大化rollup比率
 通过比较Druid中的行数和接收的事件数，可以测量数据源的汇总率。这个数字越高，从汇总中获得的好处就越多。一种方法是使用[Druid SQL](../Querying/druidsql.md)查询，比如：

DataIngestion/kafka.md

@@ -22,7 +22,7 @@ Kafka索引服务支持在Overlord上配置*supervisors*，supervisors通过管
 
 ### 教程
 
-本页包含基于Apache Kafka的摄取的参考文档。同样，您可以查看 [Apache Kafka教程](../Tutorials/chapter-2.md) 中的加载。
+本页包含基于Apache Kafka的摄取的参考文档。同样，您可以查看 [Apache Kafka教程](../tutorials/chapter-2.md) 中的加载。
 
 ### 提交一个supervisor规范
 

GettingStarted/chapter-2.md

@@ -141,10 +141,10 @@ $ ./bin/start-micro-quickstart
 
 以下教程演示了将数据加载到Druid的各种方法，包括批处理和流处理用例。 所有教程均假定您使用的是上面提到的`micro-quickstart`单机配置。
 
-* [加载本地文件](../Tutorials/chapter-1.md) - 本教程演示了如何使用Druid的本地批处理摄取来执行批文件加载
-* [从Kafka加载流数据](../Tutorials/chapter-2.md) - 本教程演示了如何从Kafka主题加载流数据
-* [从Hadoop加载数据](../Tutorials/chapter-3.md) - 本教程演示了如何使用远程Hadoop集群执行批处理文件加载
-* [编写一个自己的数据摄取规范](../Tutorials/chapter-10.md) - 本教程演示了如何编写新的数据摄取规范并使用它来加载数据
+* [加载本地文件](../tutorials/tutorial-batch.md) - 本教程演示了如何使用Druid的本地批处理摄取来执行批文件加载
+* [从Kafka加载流数据](../tutorials/chapter-2.md) - 本教程演示了如何从Kafka主题加载流数据
+* [从Hadoop加载数据](../tutorials/chapter-3.md) - 本教程演示了如何使用远程Hadoop集群执行批处理文件加载
+* [编写一个自己的数据摄取规范](../tutorials/chapter-10.md) - 本教程演示了如何编写新的数据摄取规范并使用它来加载数据
 
 ##### 重置集群状态
 
@@ -154,7 +154,7 @@ $ ./bin/start-micro-quickstart
 
 ##### 重置Kafka
 
-如果您完成了[教程：从Kafka加载流数据](../Tutorials/chapter-2.md)并希望重置集群状态，则还应该清除所有Kafka状态。
+如果您完成了[教程：从Kafka加载流数据](../tutorials/chapter-2.md)并希望重置集群状态，则还应该清除所有Kafka状态。
 
 在停止ZooKeeper和Druid服务之前，使用`CTRL-C`关闭`Kafka Broker`，然后删除`/tmp/kafka-logs`中的Kafka日志目录：
 

README.md

@@ -1,38 +1,32 @@
-## Apache Druid是一个高性能的实时分析型数据库
-
-<script async src="https://pagead2.googlesyndication.com/pagead/js/adsbygoogle.js"></script>
-<ins class="adsbygoogle"
-     style="display:block; text-align:center;"
-     data-ad-layout="in-article"
-     data-ad-format="fluid"
-     data-ad-client="ca-pub-8828078415045620"
-     data-ad-slot="7586680510"></ins>
-<script>
-     (adsbygoogle = window.adsbygoogle || []).push({});
-</script>
-
-* ### 云原生、流原生的分析型数据库
-  
-    Druid专为需要快速数据查询与摄入的工作流程而设计，在即时数据可见性、即席查询、运营分析以及高并发等方面表现非常出色。在实际中[众多场景](Misc/usercase.md)下数据仓库解决方案中，可以考虑将Druid当做一种开源的替代解决方案。
-
-* ### 可轻松与现有的数据管道进行集成
-
-    Druid原生支持从[Kafka](http://kafka.apache.org/)、[Amazon Kinesis](https://aws.amazon.com/cn/kinesis/)等消息总线中流式的消费数据，也同时支持从[HDFS](https://hadoop.apache.org/docs/stable/hadoop-project-dist/hadoop-hdfs/HdfsUserGuide.html)、[Amazon S3](https://aws.amazon.com/cn/s3/)等存储服务中批量的加载数据文件。
-
-* ### 较传统方案提升近百倍的效率
-
-    Druid创新地在架构设计上吸收和结合了[数据仓库](https://en.wikipedia.org/wiki/Data_warehouse)、[时序数据库](https://en.wikipedia.org/wiki/Time_series_database)以及[检索系统](https://en.wikipedia.org/wiki/Search_engine_(computing))的优势，在已经完成的[基准测试](https://imply.io/post/performance-benchmark-druid-presto-hive)中展现出来的性能远远超过数据摄入与查询的传统解决方案。
-
-* ### 解锁了一种新型的工作流程
-
-    Druid为点击流、APM、供应链、网络监测、市场营销以及其他事件驱动类型的数据分析解锁了一种[新型的查询与工作流程](Misc/usercase.md)，它专为实时和历史数据高效快速的即席查询而设计。
-
-* ### 可部署在AWS/GCP/Azure,混合云,Kubernetes, 以及裸机上
-
-    无论在云上还是本地，Druid可以轻松的部署在商用硬件上的任何*NIX环境。部署Druid也是非常简单的，包括集群的扩容或者下线都也同样很简单。
-
 ---
+[中文文档](https://druid.apache.org/docs/latest/design/) |
+[官方网站](https://druid.apache.org/) |
+[官方文档（英文）](https://druid.apache.org/docs/latest/design/) |
+[开发者邮件地址](https://lists.apache.org/list.html?dev@druid.apache.org) |
+[用户邮件地址](https://groups.google.com/forum/#!forum/druid-user) |
+[Slack](https://s.apache.org/slack-invite) |
+[下载地址](https://druid.apache.org/downloads.html)
+---
+
+## Apache Druid
+Apache Druid 是一个高性能的实时分析型数据库。
+
+### 云原生、流原生的分析型数据库
+Druid专为需要快速数据查询与摄入的工作流程而设计，在即时数据可见性、即席查询、运营分析以及高并发等方面表现非常出色。
+
+在实际中[众多场景](Misc/usercase.md)下数据仓库解决方案中，可以考虑将Druid当做一种开源的替代解决方案。
+
+### 可轻松与现有的数据管道进行集成 
+Druid原生支持从[Kafka](http://kafka.apache.org/)、[Amazon Kinesis](https://aws.amazon.com/cn/kinesis/)等消息总线中流式的消费数据，也同时支持从[HDFS](https://hadoop.apache.org/docs/stable/hadoop-project-dist/hadoop-hdfs/HdfsUserGuide.html)、[Amazon S3](https://aws.amazon.com/cn/s3/)等存储服务中批量的加载数据文件。
+
+### 较传统方案提升近百倍的效率
+Druid创新地在架构设计上吸收和结合了[数据仓库](https://en.wikipedia.org/wiki/Data_warehouse)、[时序数据库](https://en.wikipedia.org/wiki/Time_series_database)以及[检索系统](https://en.wikipedia.org/wiki/Search_engine_(computing))的优势，在已经完成的[基准测试](https://imply.io/post/performance-benchmark-druid-presto-hive)中展现出来的性能远远超过数据摄入与查询的传统解决方案。
+
+### 解锁了一种新型的工作流程
+Druid为点击流、APM、供应链、网络监测、市场营销以及其他事件驱动类型的数据分析解锁了一种[新型的查询与工作流程](Misc/usercase.md)，它专为实时和历史数据高效快速的即席查询而设计。
+
+### 可部署在AWS/GCP/Azure,混合云,Kubernetes, 以及裸机上
+无论在云上还是本地，Druid可以轻松的部署在商用硬件上的任何*NIX环境。部署Druid也是非常简单的，包括集群的扩容或者下线都也同样很简单。
 
 > [!TIP]
 > 在国内Druid的使用者越来越多，但是并没有一个很好的中文版本的使用文档。 本文档根据Apache Druid官方文档0.20.1版本进行翻译，目前托管在Github上，欢迎更多的Druid使用者以及爱好者加入翻译行列，为国内的使用者提供一个高质量的中文版本使用文档。
-

SUMMARY.md

@@ -21,18 +21,18 @@
   * [集群部署](GettingStarted/chapter-4.md)
 
 * [使用指导]()
-  * [加载本地文件](Tutorials/chapter-1.md)
-  * [从Kafka加载数据](Tutorials/chapter-2.md)
-  * [从Hadoop加载数据](Tutorials/chapter-3.md)
-  * [查询数据](Tutorials/chapter-4.md)
-  * [Rollup操作](Tutorials/chapter-5.md)
-  * [配置数据保留规则](Tutorials/chapter-6.md)
-  * [数据更新](Tutorials/chapter-7.md)
-  * [合并段文件](Tutorials/chapter-8.md)
-  * [删除数据](Tutorials/chapter-9.md)
-  * [摄入配置规范](Tutorials/chapter-10.md)
-  * [转换输入数据](Tutorials/chapter-11.md)
-  * [Kerberized HDFS存储](Tutorials/chapter-12.md)
+  * [加载本地文件](tutorials/tutorial-batch.md)
+  * [从Kafka加载数据](tutorials/chapter-2.md)
+  * [从Hadoop加载数据](tutorials/chapter-3.md)
+  * [查询数据](tutorials/chapter-4.md)
+  * [Rollup操作](tutorials/chapter-5.md)
+  * [配置数据保留规则](tutorials/chapter-6.md)
+  * [数据更新](tutorials/chapter-7.md)
+  * [合并段文件](tutorials/chapter-8.md)
+  * [删除数据](tutorials/chapter-9.md)
+  * [摄入配置规范](tutorials/chapter-10.md)
+  * [转换输入数据](tutorials/chapter-11.md)
+  * [Kerberized HDFS存储](tutorials/chapter-12.md)
 
 * [架构设计]()
   * [整体设计](Design/Design.md)

_sidebar.md

@@ -1,20 +1,20 @@
-- CWIKIUS.CN 概述
-  - [文档介绍和快速链接](README.md)
+- DRUID.OSSEZ.COM 概述
+  - [项目概述](README.md)
   - [公众平台](CONTACT.md)
 
-- 湘南地区古村落
-  - [毛坪里村](yong-zhou/ling-ling/mao-ping-li-cun/index.md)
-  - [塘付村](yong-zhou/ling-ling/tang-fu-cun/index.md)
-  - [赵家湾村](yong-zhou/ling-ling/zhao-jia-wan-cun/index.md)
+- 开始使用
+  - [从文件中载入数据](yong-zhou/ling-ling/mao-ping-li-cun/index.md)
+  - [从 Kafka 中载入数据](yong-zhou/ling-ling/tang-fu-cun/index.md)
+  - [从 Hadoop 中载入数据](yong-zhou/ling-ling/zhao-jia-wan-cun/index.md)
   
-- 其他小工具
+- 设计（Design）
   - [JWT](jwt/README.md)
   - [MessagePack](message-pack/index.md)
   - [Protocol Buffers](protocol-buffers/index.md)
 
-- 面试和算法
+- 摄取（Ingestion）
   - [面试问题和经验](interview/index.md)
   - [算法题](algorithm/index.md)
+- 查询（Querying）
 
-- [Awesome docsify](awesome.md)
 - [Changelog](changelog.md)

tutorials/chapter-10.md

@@ -17,7 +17,7 @@
 
 本教程我们假设您已经按照[单服务器部署](../GettingStarted/chapter-3.md)中描述下载了Druid，并运行在本地机器上。
 
-完成[加载本地文件](./chapter-1.md)、[数据查询](./chapter-4.md)和[roll-up](./chapter-5.md)部分内容也是非常有帮助的
+完成[加载本地文件](tutorial-batch.md)、[数据查询](./chapter-4.md)和[roll-up](./chapter-5.md)部分内容也是非常有帮助的
 
 ### 示例数据
 

tutorials/chapter-11.md

@@ -17,7 +17,7 @@
 
 本教程我们假设您已经按照[单服务器部署](../GettingStarted/chapter-3.md)中描述下载了Druid，并运行在本地机器上。
 
-完成[加载本地文件](./chapter-1.md)、[数据查询](./chapter-4.md)和[roll-up](./chapter-5.md)部分内容也是非常有帮助的
+完成[加载本地文件](tutorial-batch.md)、[数据查询](./chapter-4.md)和[roll-up](./chapter-5.md)部分内容也是非常有帮助的
 
 ### 样例数据
 

tutorials/chapter-3.md

@@ -15,7 +15,7 @@
 
 本教程向您展示如何使用远程Hadoop集群将数据文件加载到Apache Druid中。
 
-对于本教程，我们假设您已经使用[快速入门](../GettingStarted/chapter-2.md)中所述的 `micro-quickstart` 单机配置完成了前边的[批处理摄取指南](./chapter-1.md)。
+对于本教程，我们假设您已经使用[快速入门](../GettingStarted/chapter-2.md)中所述的 `micro-quickstart` 单机配置完成了前边的[批处理摄取指南](tutorial-batch.md)。
 
 ### 安装Docker
 

tutorials/chapter-4.md

@@ -17,7 +17,7 @@
 
 本教程假定您已经完成了摄取教程之一，因为我们将查询Wikipedia编辑样例数据。
 
-* [加载本地文件](./chapter-1.md)
+* [加载本地文件](tutorial-batch.md)
 * [从Kafka加载数据](./chapter-2.md)
 * [从Hadoop加载数据](./chapter-3.md)
 

tutorials/chapter-5.md

@@ -19,7 +19,7 @@ Apache Druid可以通过roll-up在数据摄取阶段对原始数据进行汇总
 
 本教程我们假设您已经按照[单服务器部署](../GettingStarted/chapter-3.md)中描述下载了Druid，并运行在本地机器上。
 
-完成[加载本地文件](./chapter-1.md)和[数据查询](./chapter-4.md)两部分内容也是非常有帮助的。
+完成[加载本地文件](tutorial-batch.md)和[数据查询](./chapter-4.md)两部分内容也是非常有帮助的。
 
 ### 示例数据
 

tutorials/chapter-6.md

@@ -17,7 +17,7 @@
 
 本教程我们假设您已经按照[单服务器部署](../GettingStarted/chapter-3.md)中描述下载了Druid，并运行在本地机器上。
 
-完成[加载本地文件](./chapter-1.md)和[数据查询](./chapter-4.md)两部分内容也是非常有帮助的。
+完成[加载本地文件](tutorial-batch.md)和[数据查询](./chapter-4.md)两部分内容也是非常有帮助的。
 
 ### 加载示例数据
 

tutorials/chapter-7.md

@@ -16,7 +16,7 @@
 
 本教程我们假设您已经按照[单服务器部署](../GettingStarted/chapter-3.md)中描述下载了Druid，并运行在本地机器上。
 
-完成[加载本地文件](./chapter-1.md)、[数据查询](./chapter-4.md)和[roll-up](./chapter-5.md)部分内容也是非常有帮助的
+完成[加载本地文件](tutorial-batch.md)、[数据查询](./chapter-4.md)和[roll-up](./chapter-5.md)部分内容也是非常有帮助的
 
 ### 数据覆盖
 本节教程将介绍如何覆盖现有的指定间隔的数据

tutorials/chapter-8.md

@@ -19,7 +19,7 @@
 
 本教程我们假设您已经按照[单服务器部署](../GettingStarted/chapter-3.md)中描述下载了Druid，并运行在本地机器上。
 
-完成[加载本地文件](./chapter-1.md)和[数据查询](./chapter-4.md)两部分内容也是非常有帮助的。
+完成[加载本地文件](tutorial-batch.md)和[数据查询](./chapter-4.md)两部分内容也是非常有帮助的。
 
 ### 加载初始数据