update

Author: windancer79

Diff for: images/datasource.PNG

@@ -77,7 +77,7 @@ maxPubConnections=4
 
 4.3 实现步骤
 
-首先我们定义一个sensorTemp表用于接收实时采集的温度数据，为了避免数据表占用过多内存，我们使用enableTablePersistence函数对sensorTemp表做持久化。
+首先我们定义一个sensorTemp流数据表用于接收实时采集的温度数据，我们使用enableTablePersistence函数对sensorTemp表做持久化，这里我们对流数据表设置100万条记录的阈值，每当记录数超出100万之后，系统会做一次持久化处理。
 ```
 share streamTable(1000000:0,`hardwareId`ts`temp1`temp2`temp3,[INT,TIMESTAMP,DOUBLE,DOUBLE,DOUBLE]) as sensorTemp
 enableTablePersistence(sensorTemp, true, false, 1000000)
@@ -92,25 +92,27 @@ db = database("dfs://iotDemoDB",COMPO,[db1,db2])
 dfsTable = db.createPartitionedTable(tableSchema,"sensorTemp",`ts`hardwareId)
 subscribeTable(, "sensorTemp", "save_to_db", -1, append!{dfsTable}, true, 1000000,10)
 ```
-> *需要观察分布式数据，可以通过以下两种途径 1.可以通过集群管理web界面上的Dfs Explorer来观察。2. 可以通过dfsTable = database("dfs://iotDemoDB").loadTable("sensorTemp"); select top 100 * from dfsTable 来观察表内的实时记录*
 
-在对流数据做分布式保存数据库的同时，系统使用DolphinDB内置的 createStreamAggregator 实时运算函数来定义实时运算的过程。脚本里指定了窗口大小为60秒，每2秒钟对窗口宽度内的温度数据做一次求均值运算，其中第三个参数是运算的元代码，可以由用户自己指定计算函数，任何系统支持的或用户自定义的聚合函数这里都能支持。最后通过subscribeTable订阅高频流数据，并在有新数据进来时触发实时计算，并将运算结果保存到一个新的数据流表sensorTempAvg中。
-
-> *createStreamAggregator 参数说明：窗口时间，运算间隔时间，聚合运算元代码，原始数据输入表，运算结果输出表，时序字段，分组字段，触发GC记录数阈值。*
+在对流数据做分布式保存数据库的同时，系统使用DolphinDB内置的 createStreamAggregator 实时运算函数来定义实时运算的过程。函数第一个参数指定了窗口大小为60秒，第二个参数指定每2秒钟做一次求均值运算，第三个参数是运算的元代码，可以由用户自己指定计算函数，任何系统支持的或用户自定义的聚合函数这里都能支持，通过指定分组字段hardwareId，函数会将流数据按设备分成1000个队列进行均值运算，每个设备都会按各自的窗口计算得到对应的平均温度。最后通过subscribeTable订阅高频流数据，在有新数据进来时触发实时计算，并将运算结果保存到一个新的数据流表sensorTempAvg中。
+createStreamAggregator 参数说明：窗口时间，运算间隔时间，聚合运算元代码，原始数据输入表，运算结果输出表，时序字段，分组字段，触发GC记录数阈值。
 
 ```
 share streamTable(1000000:0, `time`hardwareId`tempavg1`tempavg2`tempavg3, [TIMESTAMP,INT,DOUBLE,DOUBLE,DOUBLE]) as sensorTempAvg
 metrics = createStreamAggregator(60000,2000,<[avg(temp1),avg(temp2),avg(temp3)]>,sensorTemp,sensorTempAvg,`ts,`hardwareId,2000)
 subscribeTable(, "sensorTemp", "metric_engine", -1, append!{metrics},true)
 ```
-在DolphinDB Server端在对高频数据流做保存、分析的时候，Grafana前端程序每秒钟会轮询实时运算的结果，并刷新平均温度的趋势图。关于Grafana的安装以及DolphinDB的接口配置请参考[Grafana配置教程](https://www.github.com/dolphindb/grafana-datasource/blob/master/README.md)
+
+在DolphinDB Server端在对高频数据流做保存、分析的时候，Grafana前端程序每秒钟会轮询实时运算的结果，并刷新平均温度的趋势图。DolphinDB提供了Grafana_DolphinDB的datasource插件，关于Grafana的安装以及DolphinDB的插件配置请参考[Grafana配置教程](https://www.github.com/dolphindb/grafana-datasource/blob/master/README.md)
 。在完成grafana的基本配置之后，新增一个Graph Panel, 在Metrics tab里输入
 
 ```
 select gmtime(time) as time, tempavg1, tempavg2, tempavg3 from sensorTempAvg where hardwareId = 1
 ```
 > *这段脚本是选出1号设备实时运算得到的平均温度表*
 
+![image](https://github.com/dolphindb/Tutorials_CN/blob/master/images/datasource.JPG)
+
+
 最后，启动数据模拟程序，生成高频数据并写入流数据表
  > *高频数据规模: 1000 个设备，以每个点3个维度、10ms的频率生成数据，以每个维度8个Byte ( Double类型 ) 计算，数据流速是 24Mbps，持续100秒。*
 ```