现代数据架构利用实时数据捕获、转换、移动和加载解决方案来构建数据湖、分析仓库和大数据存储库。它能够分析来自不同来源的数据，而不会影响使用这些数据的操作。要实现这一目标，必须建立连续、可扩展、弹性和稳健的数据流。最常用的方法是 CDC（变更数据捕获）技术。CDC 监控小型数据集的生产，自动捕获这些数据，并将其传送到一个或多个接收方，包括分析数据存储库。这样做的主要好处是消除了分析中的 D+1 延迟，因为数据一产生就会在源端被检测到，随后被复制到目的地。

本文将展示 CDC 场景中最常见的两种数据源，既可以是源数据源，也可以是目的地数据源。对于数据源（origin），我们将探讨 SQL 数据库和 CSV 文件中的 CDC。对于数据目的地，我们将使用列式数据库（典型的高性能分析数据库场景）和 Kafka 主题（将数据流传输到云和/或多个实时数据消费者的标准方法）。

概述

本文将为以下互操作场景提供一个示例：

InterSystems IRIS中的窗口函数（Window Functions）可让您直接在SQL中执行强大的分析操作，例如累计总和、排名和移动平均值等。 这些函数针对与当前行相关的一组行（即“窗口”）进行操作，且不会像 GROUP BY那样合并结果。 这意味着您可以编写更简洁、更快速且更易于维护的查询——无需循环、无需连接、无需临时表。 在本文中，我们将通过处理一些常见的数据分析任务来了解窗口函数的作用机制。

InterSystems IRIS中的SQL窗口函数入门

SQL窗口函数（SQL window functions）是数据分析的强大工具。 它们允许你在保留各行列可见性的同时，跨行计算聚合值和排名。 无论你是在构建仪表盘、报表还是进行复杂分析，窗口函数都能简化你的逻辑并提升性能。

注：我并非窗口函数领域的专家，但我愿意分享助我理解窗口函数的心得体会和相关资源。非常欢迎大家提出建议或进行指正！

🚀 为什么窗口函数这么重要

你是否曾为了计算累计总和、排名或行间差值，而编写过多条SQL查询语句，甚至使用过程化循环？

窗口函数能让你仅通过一条SQL查询语句就实现所有这些操作。

它们将强大的分析功能直接融入SQL——无需额外连接操作、无需临时表，也无需过程化循环。

🧠 什么是窗口函数

窗口函数会针对一组与当前行存在某种关联的行进行计算——这组行被称为窗口(window)。

实时 FHIR® 到 OMOP 转换

在OMOP 之旅的这一部分，我们在尝试挑战Scylla 之前先反思一下，InterSystems OMOP 转换是建立在批量 FHIR 导出作为源有效载荷的基础上的，我们是多么幸运。 这开启了 InterSystems OMOP 转换与多个 FHIR® 供应商的放手互操作性，这次是与谷歌云医疗 API 的 互操作性。

谷歌云医疗 API FHIR® （Google Cloud Healthcare API FHIR®）导出

GCP FHIR® 数据库支持通过命令行界面（CLI）或应用程序编程接口（API）进行FHIR数据的批量导入/导出，其前提条件很简单，且相关文档极为详尽，因此我们就不让模型再针对这方面进行赘述训练了，如有兴趣，我们会附上相关链接。 本段标题中更有价值的是bulk FHIR export (批量FHIR导出）标准本身的实现。

谷歌实施 FHIR® 导出的重要区别在于：通过 Pub/Sub 发送资源变更通知，以及指定增量导出的能力。

实时？

是的！我想我会死在这把剑上的。 这不仅是我的说唱手柄，而且其机制绝对可以支持一个很好的技术论证，可以说...

"当一个新的组织被创建到 FHIR 时，我们会对其进行转换，并将其添加到 InterSystems OMOP CDM 中，与 Care_site/location