在软件开发过程中，团队协作效率的提高是我们共同关注的问题。为了解决这一问题，许多团队都开始使用智能化工具。Design2Code（简称D2C）工具是其中一种广受欢迎的选择。

在本文中，我们将分享D2C工具的核心算法方案设计和实现过程，以及一系列的解决方案。无论你是开发人员，还是设计师，本文都将为你提供有价值的信息。我们希望，通过阅读本文，能帮助你更好地了解D2C工具，并在实际工作中发挥出最大的价值。

本文将会以Trip.com东南亚市场为例，阐述IBU设计师是如何对国际市场本地化的设计从探索、研究，并且将调研结论应用到东南亚市场的营销视觉设计当中的全过程。

携程商旅大前端的SSR探索之路。

Taro-CRN为后续携程的跨端开发生态打下基础。

我们在一个中间层的应用中使用了Servlet 3.0新增的异步特性。期望能提高应用的并发处理能力。

在互联网时代，每天都会产生海量的数据，去哪儿网成立至今，积累了海量的用户出行数据，每一次旅行机票记录，酒店记录，门票记录等等，这些数据都存储到数据库中，现在流行的 Mysql 数据库，一般情况下单表容量在 1kw 以下是最佳状态，如果将所有的历史记录都存储到 DB 中，那么每张表的大小将超过 10 亿级，根据不同维度的查询将是一个梦魇，比如通过订单号查询，根据用户加状态查询等等，数据库将不堪重负，慢查询可能导致整个库不可提供服务。常用的解决方案是把这些数据存储到一个备用的数据库或者异构的数据结构中，来提升我们的查询效率。数据同步系统就是做这件事的，将数据从一个数据源导入另外一个数据源，提供同构或者异构、低延迟的的数据的同步，提供高可用的数据同步服务，并且保证数据最终一致性。

1）携程酒店每天有上千表，累计十多亿数据更新，如何保证数据更新过程中生产应用高可用；

2）每天有将近百万次数据查询请求，用户可以从粗粒度国家省份城市汇总不断下钻到酒店，房型粒度的数据，我们往往无法对海量的明细数据做进一步层次的预聚合，大量的关键业务数据都是好几亿数据关联权限，关联基础信息，根据用户场景获取不同维度的汇总数据；

3）为了让用户无论在app端还是pc端查询数据提供秒出的效果，我们需要不断的探索，研究找到最合适的技术框架。

对此，我们尝试过关系型数据库，但千万级表关联数据库基本上不太可能做到秒出，考虑过Sharding，但数据量大，各种成本都很高。热数据存储到ElasticSearch，但无法跨索引关联，导致不得不做宽表，因为权限，酒店信息会变，所以每次要刷全量数据，不适用于大表更新，维护成本也很高。Redis键值对存储无法做到实时汇总，也测试过Presto，GreenPlum，kylin，真正让我们停下来深入研究，不断的扩展使用场景的是ClickHouse。

基础数据的维护对于提升测试效率是很重要的一个环节，这里介绍一种数据库表粒度的数据同步方法来实现测试环境基础数据的维护。

这篇文章可能跟Anroid的关系不是很深，主要介绍Groovy是如何一步步解析Android的DSL语言，这样你在配置一些gradle文件的时候可以更加得心应手。

在性能方面，Flutter的表现比RN更为优秀。

分布式数据库OceanBase在携程的实践之路。

我的应用为啥被kill了？通过分析不同场景，快速定位问题和解决问题。

Java11版本中，G1已成为默认垃圾回收器，为了使用Java11的朋友更好的认识G1垃圾回收器与过往的垃圾回收器的异质性，本文比较了G1之前的传统垃圾回收器，G1垃圾回收器，以及G1之后的低延时垃圾回收器在内存模型和性能追求上的不同特点。

根据实际业务需求，设计合理的实时数仓架构并落地开发。

PB级大规模日志数据治理经验分享。

以用户为中心的iDesk服务平台。