TDengine 2.6 正式发布，新增大量计算函数
经过研发同学的不懈努力，TDengine 2.6 版本正式发布了。该版本带来众多新特性，一方面是优化了 SQL 语法，一方面是增加了大量的计算函数，以支持用户的更多使用场景。该版本还修复了之前版本存在的一些 bug。
【技术干货】代码示例：使用 Apache Spark 连接 TDengine
除了核心的时序数据库功能外，TDengine 还提供缓存、数据订阅、流式计算等大数据平台所需要的系列功能。但是很多小伙伴出于架构的考虑，还是需要将数据导出到 Apache Flink、Apache Spark 等平台进行计算分析。 为了帮助大家对接，我们特别推出了保姆级课程，包学包会。
【技术干货】代码示例：使用 Apache Flink 连接 TDengine
除了核心的时序数据库功能外，TDengine 还提供缓存、数据订阅、流式计算等大数据平台所需要的系列功能。但是很多小伙伴出于架构的考虑，还是需要将数据导出到 Apache Flink、Apache Spark 等平台进行计算分析。 为了帮助大家对接，我们特别推出了保姆级课程，包学包会。
TDengine 社区问题双周精选 | 第一期
为防止过多的共性问题困扰大家，方便大家学习、吸收经验，从今天开始我们会对近期社区内用户遇到的共性问题进行精选、汇总，每两周给大家带来一次分享。 这是此类专栏的第一期内容，为大家分享七个常见问题。
在进行行情 tick 数据存储时，哪种数据结构查找起来更快？
如果我们要做行情 tick 数据的存储，怎样的数据结构查找起来才会比较快？在加入 TDengine 之前，本文作者丁博在弘源泰平量化投资做量化工程师，曾经遇到过这一类存储行情 tick 数据的问题，本文会就此问题进行详细的技术解读。
时序数据库想要在时序场景下“远超”通用数据库，需要做到哪几点？
近年来，随着物联网技术和市场的快速发展、企业业务的加速扩张，时序数据的处理难题也越来越受到行业和企业的重视，时序场景下通用型数据库步履维艰，各种时序数据库产品应运而起。但是，做一个优质的时序数据库真的很容易吗？本篇文章将从数据库开发者的角度，解剖时序场景下的数据处理需求、分析时序数据库设计思路，给到读者一些硬核技术思考。
TDengine 和 InfluxDB 查询性能对比测试报告
在基于该对比测试框架下运行的测试中，展示出了 TDengine Database 相对于 InfluxDB 较大的性能优势，特别是更加多样化的条件和变量控制情况下的扩展测试中，我们看到 TDengine 一致性地表现出相对于 InfluxDB 的较大性能优势。
8 分钟了解 TDengine 的 WAL 机制
WAL（Write Ahead Log），是 TDengine Database 的一个重要的功能模块，它可以实现数据的容错能力，保证数据的高可用。 即使数据库因为断电等意外事故宕机，也能避免数据的丢失。
TDengine 上关于 Lua 连接器开发的一些总结和思考
我为TDengine Database编写了Lua版的连接器，主要面向两个用户群体，一是OpenResty(Nginx+Lua)，另一个是Skynet。支持用Lua实现UDF是我的下一个工作重点，这将进一步降低应用的复杂度。
