Spark 程序开发与提交：本地与集群模式全解析

news2024/11/26 4:42:59

Spark 的介绍与搭建：从理论到实践-CSDN博客

Spark 的Standalone集群环境安装与测试-CSDN博客

PySpark 本地开发环境搭建与实践-CSDN博客

目录

一、本地开发与远程提交测试

（一）问题背景

（二）解决方案

集群环境准备

Windows 指定远程解析器​

问题

验证是否已经安装

（三）代码提交到集群

自动提交

手动提交

（四）代码实现与参数传递

单词统计案例

运行过程中出现错误

修改配置文件

参考

二、集群提交：spark - submit 脚本

（一）复习

（二）spark - submit 的用法

任务的命令格式

具体案例讲解

参数详解

（三）Driver 驱动进程和 Executor 计算进程

（四）实战案例

WordCount 程序提交示例

编写提交任务的命令

本地模式测试

Standalone 模式

（五）Driver 启动位置：client 模式与 cluster 模式

基本概念

工作流程对比​编辑

集群提交：deploy mode

三、总结

        在大数据处理领域，Apache Spark 是一款强大的分布式计算框架。它提供了高效、灵活的数据处理能力，广泛应用于各种数据密集型应用场景。无论是在本地开发环境还是在集群环境中，正确地开发和提交 Spark 程序都是至关重要的。本文将深入探讨 Spark 程序在本地开发并远程提交到集群测试的过程，以及使用 spark - submit 脚本在集群模式下提交程序的相关知识，包括参数配置、运行模式等内容。

一、本地开发与远程提交测试

（一）问题背景

        在本地开发 Spark 程序时，常常会面临一些挑战。比如，当使用 HDFS 上的数据进行开发时，数据量可能过大，导致本地运行消耗大量本地资源且运行时间很长。因此，需要一种便捷的方法，能够在本地编写代码后，通过简单操作将代码自动提交到集群上运行。

（二）解决方案

集群环境准备

首先要启动集群，在第一台机器上执行以下命令：

start - dfs.sh
cd /opt/installs/spark
sbin/start - master.sh
sbin/start - workers.sh
sbin/start - history - server.sh

Windows 指定远程解析器

        创建一个用于同步本地代码到服务上的文件夹。在 Linux 上创建同步目录，将 Windows 上的代码和数据同步到/root/pyspark_code目录下：

mkdir -p /root/pyspark_code

这样，后续右键运行代码时，就可以将代码自动提交给集群运行。如果需要换回本地运行，可以相应地切换环境。

问题

解决方案：在bigdata01中，安装pyspark。

我们在linux上配置了阿里云的源，不代表在base中也可以使用，运行时需要带上源地址
pip install pyspark==3.1.2 -i https://pypi.tuna.tsinghua.edu.cn/simple/
验证是否已经安装
pip list 或者  conda list
也可以这么干：
pip list | grep pyspark

下载完成之后，重启一下 pycharm.

（三）代码提交到集群

自动提交

手动提交

同步后，成功会显示绿色，在linux上查看，有代码：

（四）代码实现与参数传递

单词统计案例
import os
import time

from pyspark import SparkContext, SparkConf
import sys

if __name__ == '__main__':
	# 配置环境
	os.environ['JAVA_HOME'] = '/opt/installs/jdk'
	# 配置Hadoop的路径，就是前面解压的那个路径
	os.environ['HADOOP_HOME'] = '/opt/installs/hadoop'
	# 配置base环境Python解析器的路径
	os.environ['PYSPARK_PYTHON'] = '/opt/installs/anaconda3/bin/python3'  # 配置base环境Python解析器的路径
	os.environ['PYSPARK_DRIVER_PYTHON'] = '/opt/installs/anaconda3/bin/python3'

	# 获取sc 对象
	conf = SparkConf().setMaster("spark://bigdata01:7077").setAppName("wordcount单词统计")
	sc = SparkContext(conf=conf)
	print(sc)
	# 编写各种需求代码
	print(sys.argv[0])
	# 读取hdfs上的数据
	fileRdd = sc.textFile(sys.argv[1])
	filterRdd = fileRdd.filter(lambda line:len(line.strip()) > 0)
	flatMapRdd = filterRdd.flatMap(lambda line: line.split())
	mapRdd = flatMapRdd.map(lambda word: (word,1))
	reduceBykeyRdd = mapRdd.reduceByKey(lambda total,num : total + num)
	reduceBykeyRdd.saveAsTextFile(sys.argv[2])

	#time.sleep(10000)
	# 关闭sc
	sc.stop()

运行的话，直接在本地右键运行即可，以上代码需要传递参数，所以在ide工具中写。

运行过程中出现错误
Initial job has not accepted any resources; check your cluster UI to ensure that workers are registe

有可能是以下几个问题：

1、集群资源不足，关闭掉没用的资源

2、目前集群中有其他任务，占用了资源，直接关闭掉

修改配置文件

修改 worker 的内存大小：

如何关闭呢，http://bigdata01:8080

选择任务后面的 【kill】 按钮

参考

spark报错：WARN TaskSchedulerImpl: Initial job has not accepted any resources； check your cluster UI..._initial job has not accepted any resources; check -CSDN博客

二、集群提交：spark - submit 脚本

（一）复习

在 Pycharm 中开发好的程序要在 Linux 中执行，可以使用spark - submit脚本。例如：

/opt/installs/spark/bin/spark - submit --master spark://bigdata01:7077 /opt/installs/spark/examples/src/main/python/pi.py 200

spark - submit的作用是将写好的代码提交到 Spark 环境（可能是本地或集群环境）运行，它是基于 Linux 平台实现 Spark 程序提交运行的客户端工具。

（二）spark - submit 的用法

任务的命令格式
提交任务的命令：
spark-submit [options] <app jar | pythonfile | R file> [app arguments]

杀死一个正在运行的任务
spark-submit --kill [submission ID] --master [spark://...]

查看某个任务的状态：
spark-submit --status [submission ID] --master [spark://...]


以上这些，其实只需要学习如何提交任务即可，因为我们有图形化界面
http://bigdata01:8080 

具体案例讲解
# 提交程序的语法
# spark-submit [可选的选项] Python文件 Python文件中用到的参数
spark-submit --master local[2] / spark://bigdata01:7077 / yarn \
……
hdfs://bigdata01:9820/spark/app/pyspark_core_word_args.py /spark/wordcount/input /spark/wordcount/output
参数详解
  • --master：用于指定程序运行的模式，有本地模式（--master local）、Standalone 模式（--master spark://master:7077）、YARN 模式（--master yarn）等 5 种模式，其作用等同于在代码中设置setMaster。
  • --deploy - mode：用于指定 Driver 进程运行位置，重点内容，后面详细讲解。
  • --name：用于指定程序的名称，等同于代码中的setAppName。
  • --jars：指定一些额外的 jar 包，如读写 MySQL 时需要的 MySQL 驱动包。
  • --conf：指定当前程序运行的额外配置，等同于代码中的set。

（三）Driver 驱动进程和 Executor 计算进程

Spark 程序在集群模式运行时会启动两种进程：Driver 驱动进程和 Executor 计算进程，每种进程运行都需要资源。

  • Driver 进程：每个程序有 1 个，负责申请资源、解析代码、构建 Job/Task、分配调度 Task、监控 Task 运行，构建有向无环图 DAG。
  • Executor 进程：每个程序可以有多个，分布式启动在多台节点上，负责运行 Driver 分配的 Task 任务。可以类比 MR 程序运行在 YARN 上，Driver 类似于 Application Master（项目经理），Executor 类似于 Container（包含 Map Task、ReduceTask 等进程）。

此外，还有一些与资源相关的参数

  • Driver 资源选项：
    • --driver - memory：指定 Driver 进程能够使用的内存大小，默认是 1G。
    • --driver - cores：指定 Driver 进程能够使用的 CPU 核数，默认是 1Core。
    • --supervise：指定如果 Driver 故障，就自动重启。
  • Executor 资源选项：
    • --executor - memory：指定每个 Executor 能够使用的内存。
    • --executor - cores：指定每个 Executor 能够使用的 CPU。
    • --total - executor - cores：Standalone 集群模式下，指定所有 Executor 总共使用的 CPU 核数，用于间接指定 Executor 的个数。
    • --num - executors：YARN 集群模式下，直接指定 Executor 的个数。
    • --queue：指定提交程序到哪个队列中运行。

以上这些参数，还可以直接写在代码中，可以配置在conf文件

加载顺序：优先级：代码中配置【set】 > 参数选项【--conf】 > 配置文件【公共配置：spark-defualt.conf】

默认配置 -> 集群管理器配置 -> 环境变量配置 -> 命令行参数 -> 用户提供的SparkConf配置 -> 执行时环境变量配置

优先级最高的：

用户提供的SparkConf配置 > 命令行参数 > 公共的配置（spark-default.conf）> 默认配置

（四）实战案例

WordCount 程序提交示例

上传 Python 代码文件时要注意注释掉代码中的master、本地环境变量相关内容，因为代码中的设置优先级较高，去掉这些才能使用spark - submit中编写的配置。以下是一个示例代码：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

from pyspark import SparkContext, SparkConf
import os
import sys

"""
-------------------------------------------------
   Description :	TODO：用于实现词频统计
   SourceFile  :	04.pyspark_core_wordcount_hdfs_args
-------------------------------------------------
"""

if __name__ == '__main__':
    # todo:0-设置系统环境变量
    # os.environ['JAVA_HOME'] = 'D:/jdk1.8.0_241'
    # os.environ['HADOOP_HOME'] = 'D:/hadoop-3.3.0'
    # os.environ['PYSPARK_PYTHON'] = 'D:/Anaconda/python.exe'
    # os.environ['PYSPARK_DRIVER_PYTHON'] = 'D:/Anaconda/python.exe'
    # os.environ['HADOOP_USER_NAME'] = 'root'

    # todo:1-构建SparkContext
    # 甚至 任务的名字都可以不写，让提交任务的时候指定
    conf = SparkConf().setAppName("SparkSubmitApp")
        # .setMaster("local[2]")\

    sc = SparkContext(conf=conf)

    # todo:2-数据处理：读取、转换、保存
    # step1: 读取数据：SparkContext对象负责读取文件，用传递的第二个参数作为程序的输入地址
    input_rdd = sc.textFile(sys.argv[1])
    # 输出第一行
    # print(input_rdd.first())
    # 打印总行数
    # print(input_rdd.count())

    # step2: 处理数据
    rs_rdd = input_rdd\
            .filter(lambda line: len(line.strip()) > 0)\
            .flatMap(lambda line: line.strip().split(" "))\
            .map(lambda word: (word, 1))\
            .reduceByKey(lambda tmp,item: tmp+item)

    # step3: 保存结果
    # 打印结果
    rs_rdd.foreach(lambda x: print(x))
    # 结果保存到文件中：路径不能提前存在，将第二个参数作为输出路径
    rs_rdd.saveAsTextFile(sys.argv[2])

    # todo:3-关闭SparkContext
    sc.stop()

编写提交任务的命令
本地模式测试
/opt/installs/spark/bin/spark-submit \
--master local[2] \
/home/pyspark_core_word_args.py \
/home/data.txt \
/home/output01

如果出现以上这个是因为，本地模式之前配置集群时软连接已经被毁了，读取数据默认是去hdfs上读取的，没结果，假如你想运行创建软连接

rm -rf /opt/installs/spark
ln -s /opt/installs/spark-local  /opt/installs/spark

Standalone 模式

创建软连接

rm -rf /opt/installs/spark
ln -s /opt/installs/spark-standalone  /opt/installs/spark

没指定资源的写法 

/opt/installs/spark/bin/spark-submit \
--master spark://bigdata01:7077 \
/home/_06_WordCount_远程.py \
hdfs://bigdata01:9820/spark/wordcount/input \
hdfs://bigdata01:9820/spark/wordcount/jiqun01

指定资源的写法

方法一

/opt/installs/spark/bin/spark-submit \
--master spark://bigdata01:7077 \
--driver-memory 512M \
--driver-cores 1 \
--supervise \
--executor-memory 1G \
--executor-cores 1 \
--total-executor-cores 2 \
/home/_06_WordCount_远程.py \
hdfs://bigdata01:9820/spark/wordcount/input \
hdfs://bigdata01:9820/spark/wordcount/jiqun02

方法二 

/opt/installs/spark/bin/spark-submit  \
--master spark://bigdata01:7077 \
--deploy-mode client \
--driver-memory 1G  \
--driver-cores 1  \
--supervise  \
--executor-cores 1   \
--executor-memory 1G   \
--total-executor-cores 2  \
/root/pyspark_code/main/Demo06.py /spark/wordcount/input/data.txt /spark/wordcount/output09

（五）Driver 启动位置：client 模式与 cluster 模式

基本概念

--deploy-mode client | cluster 只有这两个

当你提交任务时，假如等于 client , 此时Driver 进程在提交任务的那台机器上运行。假如在bigdata01上提交任务 spark-submit ，Driver 就在bigdata01上运行。

假如 等于cluster，此时driver 在某一台服务器上运行。集群上哪一台都可以。

pyspark 不支持 cluster ，支持 client

集群模式下任何一个Spark程序都包含两种进程Driver和Executor
程序提交以后，会先启动Driver进程
Driver进程：驱动进程，每一个Spark程序都有1个向主节点申请资源去启动Executor进程
Driver等待所有Executor都启动完成会解析代码变成Task任务
Driver会将Task任务调度分配给Executor去运行，并且监控所有Task运行

Executor进程：计算进程，每一个Spark程序都至少有1个
Executor进程会利用Worker节点的资源运行
所有Executor一旦启动成功，向Driver反向注册负责运行Driver所分配所有Task任务

工作流程对比

step1：客户端提交程序给主节点
step2：主节点会根据提交参数在对应的位置启动Driver进程
step3：Driver向主节点申请启动Executor计算进程
step4：Master根据配置在Worker节点上启动对应的Executor
step5：所有Executor启动成功以后会向Driver反向注册
step6：Driver解析代码，根据代码构建Task，分配给Executor运行，并监控所有Task

集群提交：deploy mode

程序启动之后，Driver在哪里，取决于提交任务的时候deploy mode 的值是什么

DEPLOY_MODE 这个值只有两个，一个是client ，一个是cluster

client：默认值，表示Driver运行在客户端节点上【在哪台机 器提交代码的哪台机器就是客户端】

cluster：建议值，表示Driver可以随机运行在某台从节点上【工作中一般都用cluster模式】

# deploy-mode ==client
/opt/installs/spark/bin/spark-submit \
--master spark://bigdata01:7077 \
--deploy-mode client \
--driver-memory 512M \
--driver-cores 1 \
--supervise \
--executor-memory 1G \
--executor-cores 1 \
--total-executor-cores 2 \
 /home/pyspark_core_word_args.py \
/spark/wordcount/input \
/spark/wordcount/output03


# deploy-mode ==cluster
/opt/installs/spark/bin/spark-submit \
--master spark://bigdata01:7077 \
--deploy-mode cluster \
--driver-memory 512M \
--driver-cores 1 \
--supervise \
--executor-memory 1G \
--executor-cores 1 \
--total-executor-cores 2 \
 /home/pyspark_core_word_args.py \
/spark/wordcount/input \
/spark/wordcount/output05

client 模式，该模式下，Driver 充当了非常重要的角色，任务在运行的时候，必须保证Driver的服务正常运行。Driver需要做的事情很多，任务在运行过程中，Driver不能走。

cluster 模式：在该模式下，client端，提交完之后，就可以走了，Driver进程放在了AppMaster里面，spark集群将任务执行完即可。

假如deploy-mode==client 可以理解为胖客户端模式，deploy-mode==cluster 可以理解为瘦客户端模式。

Exception in thread "main" org.apache.spark.SparkException: Cluster deploy mode is currently not supported for python applications on standalone clusters.

目前的版本中，pysparks 在在不支持模式为cluster的写法，所以会报以上错误，请知晓，换成scala等是不会有问题的。

以下这两张是Yarn集群的图，帮助理解概念。

client模式的一个示意图：

cluster模式：

区别：yarn 模式下就有 appmaster

client模式： Driver进程和AppMaster是共存关系，各玩各的

cluster模式：Driver进程和AppMaster合二为一，Driver在AppMaster里面。

deploy-mode 有 cluster 和 client 两个可选参数，默认为 client。这里以 Spark On Yarn 模式对两者进行说明 ：

  • 在 cluster 模式下，Spark Drvier 在应用程序的 Master 进程内运行，该进程由集群上的 YARN 管理，提交作业的客户端可以在启动应用程序后关闭；
  • 在 client 模式下，Spark Drvier 在提交作业的客户端进程中运行，Master 进程仅用于从 YARN 请求资源。

spark-submit 提交任务时，client模式和cluster模式有何不同。
以Yarn集群为例：
client模式：  Driver进程和AppMaster是 不在一起的，各玩各的。Driver进程在提交命令的电脑上运行，运行期间，该服务器不能停止，因为Client 在这个模式下起的作用很大。
cluster模式：Driver进程和AppMaster合二为一，Driver在AppMaster里面。Client端仅仅是提交了代码到集群，提交完就没有什么事情了，可以关闭。

三、总结

        本文详细介绍了 Spark 程序从本地开发远程提交到集群测试的方法，以及使用spark - submit脚本在集群模式下提交程序的相关知识。在本地开发时，通过合理配置集群环境和同步代码目录，可以方便地将代码提交到集群运行。而在集群提交方面，spark - submit脚本的参数配置至关重要，不同的参数如--master、--deploy - mode、各种资源相关参数等决定了程序在集群中的运行模式和资源分配情况。特别是--deploy - mode的client和cluster模式，在 Driver 进程的启动位置和整个程序的运行机制上有很大区别。理解这些内容对于正确开发和高效运行 Spark 程序，充分利用集群资源来处理大数据任务具有重要意义。无论是在开发过程中遇到资源问题的排查，还是根据实际场景选择合适的提交模式和参数配置，都需要对这些知识有深入的掌握，以便更好地发挥 Spark 在大数据处理中的优势。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/2237662.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

童装类目电商代运营公司——品融电商

童装类目电商代运营公司——品融电商

童装类目电商代运营公司——品融电商 随着电商行业的快速发展&#xff0c;童装类目已成为市场中极具潜力的细分领域之一。消费者对童装的需求不仅限于基本穿着功能&#xff0c;更倾向于选购具有设计感、安全性和舒适度的产品。童装类目涵盖婴儿服、儿童套装、家居服、户外服饰等…
阅读更多...
利用pythonstudio写的PDF、图片批量水印生成器，可同时为不同读者生成多组水印

利用pythonstudio写的PDF、图片批量水印生成器，可同时为不同读者生成多组水印

现在很多场合需要将PDF或图片加水印&#xff0c;本程序利用pythonstudio编写。 第一步 界面 其中&#xff1a; LstMask:列表框 PopupMenu:PmnMark LstFiles:列表框 PopupMenu:PmnFiles OdFiles:文件选择器 Filter:PDF文件(.PDF)|.PDF|图像文件(.JPG)|.JPG|图像文件(.png…
阅读更多...
PDF模板制作与填充（Java）

PDF模板制作与填充（Java）

1.PDF模板制作 准备原始模板 准备一个原始PDF模板&#xff0c;可以编辑好Word&#xff0c;预留出要填充的部分&#xff0c;再转换成PDF格式。 设置表单域 用任意PDF编辑器打开PDF模板文件&#xff0c;设置表单域&#xff0c;下面以WPS为例&#xff1a; 拖动文本域到需要填充的…
阅读更多...
kafka中节点如何服役和退役

kafka中节点如何服役和退役

服役新节点 1&#xff09;新节点准备 &#xff08;1&#xff09;关闭 bigdata03&#xff0c;进行一个快照&#xff0c;并右键执行克隆操作。 &#xff08;2&#xff09;开启 bigdata04&#xff0c;并修改 IP 地址。 vi /etc/sysconfig/network-scripts/ifcfg-ens33修改完记…
阅读更多...
笔记本怎么开启TPM2.0_笔记本开启TPM2.0教程(不同笔记本开启tpm2.0方法)

笔记本怎么开启TPM2.0_笔记本开启TPM2.0教程(不同笔记本开启tpm2.0方法)

在win11最低要求是提示&#xff0c;电脑必须满足 TPM 2.0&#xff0c;并开需要开启TPM 才能正常安装windows11系统&#xff0c;有很多笔记本的用户问我&#xff0c;笔记本怎么开启tpm功能呢&#xff1f;下面小编就给大家详细介绍一下笔记本开启tpm功能的方法。 如何确认你笔记本…
阅读更多...
【PyTorch项目实战】图像分割 —— U-Net：Semantic segmentation with PyTorch

【PyTorch项目实战】图像分割 —— U-Net：Semantic segmentation with PyTorch

文章目录 一、项目介绍二、项目实战2.1、搭建环境2.1.1、下载源码2.1.2、下载预训练模型2.1.3、下载训练集 2.2、环境配置2.3、模型预测 U-Net是一种用于生物医学图像分割的卷积神经网络架构&#xff0c;最初由Olaf Ronneberger等人于2015年提出。 论文&#xff1a; U-Net: Con…
阅读更多...
开源竞争-大数据项目期末考核

开源竞争-大数据项目期末考核

开源竞争&#xff1a; 自己没有办法完全掌握技术的时候就开源这个技术&#xff0c;培养出更多的技术依赖&#xff0c;让更多人完善你的技术&#xff0c;那么这不就是在砸罐子吗&#xff1f;一个行业里面总会有人砸罐子的&#xff0c;你不如先砸还能听个想。 客观现实&#xf…
阅读更多...
11月7日星期四今日早报简报微语报早读

11月7日星期四今日早报简报微语报早读

11月7日星期四&#xff0c;农历十月初七&#xff0c;早报#微语早读。 1、河南&#xff1a;旅行社组织1000人次境外游客在豫住宿2夜以上&#xff0c;可申请激励奖补&#xff1b; 2、主播宣称下播后商品恢复原价构成欺诈&#xff0c;广州市监&#xff1a;罚款5万元&#xff1b;…
阅读更多...
HTMLCSS：3D 旋转卡片的炫酷动画

HTMLCSS：3D 旋转卡片的炫酷动画

效果演示 这段代码是一个HTML和CSS的组合&#xff0c;用于创建一个具有3D效果的动画卡片。 HTML <div class"obj"><div class"objchild"><span class"inn6"><h3 class"text">我是谁&#xff1f;我在那<…
阅读更多...
词嵌入方法（Word Embedding）

词嵌入方法（Word Embedding）

词嵌入方法&#xff08;Word Embedding&#xff09; Word Embedding是NLP中的一种技术&#xff0c;通过将单词映射到一个空间向量来表示每个单词 ✨️常见的词嵌入方法&#xff1a; &#x1f31f;Word2Vec&#xff1a;由谷歌提出的方法&#xff0c;分为CBOW&#xff08;conti…
阅读更多...
2024下半年系统架构师考试【回忆版】

2024下半年系统架构师考试【回忆版】

2024年11月10日&#xff0c;系统架构师考试如期举行&#xff0c;屡战屡败的参试倒是把北京的学校转了好几所。 本次考试时间 考试科目考试时间综合知识、案例分析8:30 - 12:30论文14:30 - 16:30 案例分析 1、RESTful 对于前后端的优势&#xff1b; 2、心跳相对于ping/echo的…
阅读更多...
最简单解决NET程序员在centos系统安装c#网站

最简单解决NET程序员在centos系统安装c#网站

目前随着技术栈转移&#xff0c;c#程序员如何在linux服务器中部署net程序呢&#xff1f; 我做了一次实验&#xff1a;一般来说runtime和sdk都要装。 1.centos系统内命令行输入命令 sudo yum install dotnet-sdk-6.0 安装6.0版 2.检测下是否成功&#xff1a;dotnet --versio…
阅读更多...
参数估计理论

参数估计理论

估计理论的主要任务是在某种信号假设下&#xff0c;估算该信号中某个参数&#xff08;比如幅度、相位、达到时间&#xff09;的具体取值。 参数估计&#xff1a;先假定研究的问题具有某种数学模型&#xff0c; 如正态分布&#xff0c;二项分布&#xff0c;再用已知类别的学习样…
阅读更多...
java多线程stop() 和 suspend() 方法为何不推荐使用？

java多线程stop() 和 suspend() 方法为何不推荐使用？

大家好&#xff0c;我是锋哥。今天分享关于【java多线程stop() 和 suspend() 方法为何不推荐使用&#xff1f;】面试题。希望对大家有帮助&#xff1b; java多线程stop() 和 suspend() 方法为何不推荐使用&#xff1f; 1000道 互联网大厂Java工程师 精选面试题-Java资源分享网…
阅读更多...
嵌入式硬件电子电路设计（三）电源电路之负电源

嵌入式硬件电子电路设计（三）电源电路之负电源

引言&#xff1a;在对信号线性度放大要求非常高的应用需要使用双电源运放&#xff0c;比如高精度测量仪器、仪表等;那么就需要给双电源运放提供正负电源。 目录 负电源电路原理 负电源的作用 如何产生负电源 负电源能作功吗&#xff1f; 地的理解 负电压产生电路 BUCK电…
阅读更多...
C++高级编程（8）

C++高级编程（8）

八、标准IO库 1.输入输出流类 1)非格式化输入输出 2)put #include <iostream> #include <string> ​ using namespace std; int main() {string str "123456789";for (int i str.length() - 1; i > 0; i--) {cout.put(str[i]); //从最后一个字符开…
阅读更多...
Python 分子图分类，GNN Model for HIV Molecules Classification，HIV 分子图分类模型；整图分类问题，代码实战

Python 分子图分类，GNN Model for HIV Molecules Classification，HIV 分子图分类模型；整图分类问题，代码实战

一、分子图 分子图&#xff08;molecular graph&#xff09;是一种用来表示分子结构的图形方式&#xff0c;其中原子被表示为节点&#xff08;vertices&#xff09;&#xff0c;化学键被表示为边&#xff08;edges&#xff09;。对于HIV&#xff08;人类免疫缺陷病毒&#xff…
阅读更多...
如何调整pdf的页面尺寸

如何调整pdf的页面尺寸

用福昕阅读器打开pdf&#xff0c;进入打印页面&#xff0c;选择“属性”&#xff0c;在弹出的页面选择“高级” 选择你想调成的纸张尺寸&#xff0c;然后打印&#xff0c;打印出来的pdf就是调整尺寸后的pdf
阅读更多...
查缺补漏----用户上网过程（HTTP,DNS与ARP）

查缺补漏----用户上网过程（HTTP,DNS与ARP）

&#xff08;1&#xff09;HTTP 来自湖科大计算机网络微课堂&#xff1a; ① HTTP/1.0采用非持续连接方式。在该方式下&#xff0c;每次浏览器要请求一个文件都要与服务器建立TCP连接当收到响应后就立即关闭连接。 每请求一个文档就要有两倍的RTT的开销。若一个网页上有很多引…
阅读更多...
koa、vue安装与使用

koa、vue安装与使用

koa官网&#xff1a;https://koajs.com/ 首选创建一个文件夹&#xff1a;mkdir koaDemo (cmd即可) 文件夹初始化&#xff1a;npm init (cmd即可) 初始化完成后就会产生一个package.json的文件。 安装&#xff1a; npm install koa --save (vscode的控制台中安装&a…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023