[DOCS] Cut new docs version 1.0.0

website/docusaurus.config.js

@@ -140,11 +140,11 @@ module.exports = {
           },
           {
             from: ["/docs/releases", "/docs/next/releases"],
-            to: "/releases/release-0.15.0",
+            to: "/releases/release-1.0.0",
           },
           {
             from: ["/releases"],
-            to: "/releases/release-0.15.0",
+            to: "/releases/release-1.0.0",
           },
         ],
       },
@@ -327,7 +327,7 @@ module.exports = {
             },
             {
               label: "Releases",
-              to: "/releases/release-0.15.0",
+              to: "/releases/release-1.0.0",
             },
             {
               label: "Download",
@@ -509,8 +509,8 @@ module.exports = {
               path: "next",
               banner: "unreleased",
             },
-            "0.15.0": {
-              label: "0.15.0",
+            "1.0.0": {
+              label: "1.0.0",
               path: "",
             },
           },

website/i18n/cn/docusaurus-plugin-content-docs/version-1.0.0/azure_hoodie.md

@@ -0,0 +1,52 @@
+---
+title: Azure 文件系统
+keywords: [ hudi, hive, azure, spark, presto]
+summary: 在本页中，我们讨论如何在 Azure 文件系统中配置 Hudi 。
+last_modified_at: 2020-05-25T19:00:57-04:00
+language: cn
+---
+在本页中，我们解释如何在 Microsoft Azure 上使用 Hudi 。
+
+## 声明
+
+本页面由 Hudi 社区维护。
+如果信息不准确，或者你有信息要补充，请尽管创建 JIRA ticket。
+对此贡献高度赞赏。
+
+## 支持的存储系统
+
+Hudi 支持两种存储系统。
+
+- Azure Blob 存储
+- Azure Data Lake Gen 2
+
+## 经过验证的 Spark 与存储系统的组合
+
+#### Azure Data Lake Storage Gen 2 上的 HDInsight Spark 2.4
+This combination works out of the box. No extra config needed.
+这种组合开箱即用，不需要额外的配置。
+
+#### Azure Data Lake Storage Gen 2 上的 Databricks Spark 2.4
+- 将 Hudi jar 包导入到 databricks 工作区 。
+
+- 将文件系统挂载到 dbutils 。
+  ```scala
+  dbutils.fs.mount(
+    source = "abfss://[email protected]",
+    mountPoint = "/mountpoint",
+    extraConfigs = configs)
+  ```
+- 当写入 Hudi 数据集时，使用 abfss URL
+  ```scala
+  inputDF.write
+    .format("org.apache.hudi")
+    .options(opts)
+    .mode(SaveMode.Append)
+    .save("abfss://<<storage-account>>.dfs.core.windows.net/hudi-tables/customer")
+  ```
+- 当读取 Hudi 数据集时，使用挂载点
+  ```scala
+  spark.read
+    .format("org.apache.hudi")
+    .load("/mountpoint/hudi-tables/customer")
+  ```

website/i18n/cn/docusaurus-plugin-content-docs/version-1.0.0/bos_hoodie.md

@@ -0,0 +1,58 @@
+---
+title: BOS Filesystem
+keywords: [ hudi, hive, baidu, bos, spark, presto]
+summary: In this page, we go over how to configure Hudi with BOS filesystem.
+last_modified_at: 2021-06-09T11:38:24-10:00
+language: cn
+---
+这个页面描述了如何让你的Hudi任务使用Baidu BOS存储。
+
+## Baidu BOS 部署
+
+为了让Hudi使用BOS，需要增加两部分的配置:
+
+- 为Hudi增加Baidu BOS的相关配置
+- 增加Jar包到classpath
+
+### Baidu BOS 相关的配置
+
+新增下面的配置到你的Hudi能访问的core-site.xml文件。使用你的BOS bucket name替换掉`fs.defaultFS`，使用BOS endpoint地址替换`fs.bos.endpoint`，使用BOS的key和secret分别替换`fs.bos.access.key`和`fs.bos.secret.access.key`，这样Hudi就能读写相应的bucket。
+
+```xml
+<property>
+    <name>fs.defaultFS</name>
+    <value>bos://bucketname/</value>
+</property>
+
+<property>
+    <name>fs.bos.endpoint</name>
+    <value>bos-endpoint-address</value>
+    <description>Baidu bos endpoint to connect to,for example : http://bj.bcebos.com</description>
+</property>
+
+<property>
+    <name>fs.bos.access.key</name>
+    <value>bos-key</value>
+    <description>Baidu access key</description>
+</property>
+
+<property>
+    <name>fs.bos.secret.access.key</name>
+    <value>bos-secret-key</value>
+    <description>Baidu secret key.</description>
+</property>
+
+<property>
+    <name>fs.bos.impl</name>
+    <value>org.apache.hadoop.fs.bos.BaiduBosFileSystem</value>
+</property>
+```
+
+### Baidu BOS Libs
+
+新增Baidu hadoop的jar包添加到classpath.
+
+- com.baidubce:bce-java-sdk:0.10.165
+- bos-hdfs-sdk-1.0.2-community.jar 
+
+可以从[这里](https://sdk.bce.baidu.com/console-sdk/bos-hdfs-sdk-1.0.2-community.jar.zip) 下载bos-hdfs-sdk jar包，然后解压。

website/i18n/cn/docusaurus-plugin-content-docs/version-1.0.0/cloud.md

@@ -0,0 +1,28 @@
+---
+title: 云储存
+keywords: [ hudi, aws, gcp, oss, azure, cloud]
+summary: "In this page, we introduce how Hudi work with different Cloud providers."
+toc: true
+last_modified_at: 2019-06-16T21:59:57-04:00
+language: cn
+---
+
+## 与云存储连接
+
+无论使用RDD/WriteClient API还是数据源，以下信息都有助于配置对云存储的访问。
+
+ * [AWS S3](/cn/docs/s3_hoodie) <br/>
+   S3和Hudi协同工作所需的配置。
+ * [Google Cloud Storage](/cn/docs/gcs_hoodie) <br/>
+   GCS和Hudi协同工作所需的配置。
+ * [Alibaba Cloud OSS](/cn/docs/oss_hoodie) <br/>
+   阿里云和Hudi协同工作所需的配置。
+ * [Microsoft Azure](/cn/docs/azure_hoodie) <br/>
+   Azure和Hudi协同工作所需的配置。
+ * [Tencent Cloud Object Storage](/cn/docs/cos_hoodie) <br/>
+   COS和Hudi协同工作所需的配置。
+ * [IBM Cloud Object Storage](/cn/docs/ibm_cos_hoodie) <br/>
+   IBM Cloud Object Storage和Hudi协同工作所需的配置。
+* [Baidu Cloud Object Storage](bos_hoodie) <br/>
+   百度BOS和Hudi协同工作所需的配置。
+

website/i18n/cn/docusaurus-plugin-content-docs/version-1.0.0/comparison.md

@@ -0,0 +1,48 @@
+---
+title: 对比
+keywords: [ apache, hudi, kafka, kudu, hive, hbase, stream processing]
+last_modified_at: 2019-12-30T15:59:57-04:00
+language: cn
+---
+
+Apache Hudi填补了在DFS上处理数据的巨大空白，并可以和这些技术很好地共存。然而，
+通过将Hudi与一些相关系统进行对比，来了解Hudi如何适应当前的大数据生态系统，并知晓这些系统在设计中做的不同权衡仍将非常有用。
+
+## Kudu
+
+[Apache Kudu](https://kudu.apache.org)是一个与Hudi具有相似目标的存储系统，该系统通过对`upserts`支持来对PB级数据进行实时分析。
+一个关键的区别是Kudu还试图充当OLTP工作负载的数据存储，而Hudi并不希望这样做。
+因此，Kudu不支持增量拉取(截至2017年初)，而Hudi支持以便进行增量处理。
+
+Kudu与分布式文件系统抽象和HDFS完全不同，它自己的一组存储服务器通过RAFT相互通信。
+与之不同的是，Hudi旨在与底层Hadoop兼容的文件系统(HDFS，S3或Ceph)一起使用，并且没有自己的存储服务器群，而是依靠Apache Spark来完成繁重的工作。
+因此，Hudi可以像其他Spark作业一样轻松扩展，而Kudu则需要硬件和运营支持，特别是HBase或Vertica等数据存储系统。
+到目前为止，我们还没有做任何直接的基准测试来比较Kudu和Hudi(鉴于RTTable正在进行中)。
+但是，如果我们要使用[CERN](https://db-blog.web.cern.ch/blog/zbigniew-baranowski/2017-01-performance-comparison-different-file-formats-and-storage-engines)，
+我们预期Hudi在摄取parquet上有更卓越的性能。
+
+## Hive事务
+
+[Hive事务/ACID](https://cwiki.apache.org/confluence/display/Hive/Hive+Transactions)是另一项类似的工作，它试图实现在ORC文件格式之上的存储`读取时合并`。
+可以理解，此功能与Hive以及[LLAP](https://cwiki.apache.org/confluence/display/Hive/LLAP)之类的其他工作紧密相关。
+Hive事务不提供Hudi提供的读取优化存储选项或增量拉取。
+在实现选择方面，Hudi充分利用了类似Spark的处理框架的功能，而Hive事务特性则在用户或Hive Metastore启动的Hive任务/查询的下实现。
+根据我们的生产经验，与其他方法相比，将Hudi作为库嵌入到现有的Spark管道中要容易得多，并且操作不会太繁琐。
+Hudi还设计用于与Presto/Spark等非Hive引擎合作，并计划引入除parquet以外的文件格式。
+
+## HBase
+
+尽管[HBase](https://hbase.apache.org)最终是OLTP工作负载的键值存储层，但由于与Hadoop的相似性，用户通常倾向于将HBase与分析相关联。
+鉴于HBase经过严格的写优化，它支持开箱即用的亚秒级更新，Hive-on-HBase允许用户查询该数据。 但是，就分析工作负载的实际性能而言，Parquet/ORC之类的混合列式存储格式可以轻松击败HBase，因为这些工作负载主要是读取繁重的工作。
+Hudi弥补了更快的数据与分析存储格式之间的差距。从运营的角度来看，与管理分析使用的HBase region服务器集群相比，为用户提供可更快给出数据的库更具可扩展性。
+最终，HBase不像Hudi这样重点支持`提交时间`、`增量拉取`之类的增量处理原语。
+
+## 流式处理
+
+一个普遍的问题："Hudi与流处理系统有何关系？"，我们将在这里尝试回答。简而言之，Hudi可以与当今的批处理(`写时复制存储`)和流处理(`读时合并存储`)作业集成，以将计算结果存储在Hadoop中。
+对于Spark应用程序，这可以通过将Hudi库与Spark/Spark流式DAG直接集成来实现。在非Spark处理系统(例如Flink、Hive)情况下，可以在相应的系统中进行处理，然后通过Kafka主题/DFS中间文件将其发送到Hudi表中。从概念上讲，数据处理
+管道仅由三个部分组成：`输入`，`处理`，`输出`，用户最终针对输出运行查询以便使用管道的结果。Hudi可以充当将数据存储在DFS上的输入或输出。Hudi在给定流处理管道上的适用性最终归结为你的查询在Presto/SparkSQL/Hive的适用性。
+
+更高级的用例围绕[增量处理](https://www.oreilly.com/ideas/ubers-case-for-incremental-processing-on-hadoop)的概念展开，
+甚至在`处理`引擎内部也使用Hudi来加速典型的批处理管道。例如：Hudi可用作DAG内的状态存储(类似Flink使用的[rocksDB(https://ci.apache.org/projects/flink/flink-docs-release-1.2/ops/state_backends#the-rocksdbstatebackend))。
+这是路线图上的一个项目并将最终以[Beam Runner](https://issues.apache.org/jira/browse/HUDI-60)的形式呈现。