【Spark分布式内存计算框架——离线综合实战】5. 业务报表分析

news2024/11/30 6:53:49

第三章 业务报表分析

一般的系统需要使用报表来展示公司的运营情况、 数据情况等，本章节对数据进行一些常见报表的开发，广告数据业务报表数据流向图如下所示：

在这里插入图片描述
具体报表的需求如下：
在这里插入图片描述
相关报表开发说明如下：

  • 第一、数据源：每天的日志数据，即ETL的结果数据，存储在Hive分区表，依据分区查询数据；
  • 第二、报表分为两大类：基础报表统计（上图中①）和广告投放业务报表统计（上图中②）；
  • 第三、不同类型的报表的结果存储在MySQL不同表中，上述7个报表需求存储7个表中：

各地域分布统计：region_stat_analysis
广告区域统计：ads_region_analysis
广告APP统计：ads_app_analysis
广告设备统计：ads_device_analysis
广告网络类型统计：ads_network_analysis
广告运营商统计：ads_isp_analysis
广告渠道统计：ads_channel_analysis

  • 第四、由于每天统计为定时统计，各个报表中加上统计日期字段：report_date；

3.1 报表运行主类

所有业务报表统计放在一个应用程序中，在实际运行时，要么都运行，要么都不运行，创建报表运行主类：PmtReportRunner.scala，将不同业务报表需求封装到不同类中进行单独处理，其中编程逻辑思路如下：

// 1. 创建SparkSession实例对象
// 2. 从Hive表中加载广告ETL数据，日期过滤
// 3. 依据不同业务需求开发报表
// 4. 应用结束，关闭资源

具体代码PmtReportRunner.scala如下：

package cn.itcast.spark.report
import cn.itcast.spark.utils.SparkUtils
import org.apache.spark.sql.functions.{current_date, date_sub}
import org.apache.spark.sql.{DataFrame, SparkSession}
import org.apache.spark.storage.StorageLevel
/**
* 针对广告点击数据，依据需求进行报表开发，具体说明如下：
* - 各地域分布统计：region_stat_analysis
* - 广告区域统计：ads_region_analysis
* - 广告APP统计：ads_app_analysis
* - 广告设备统计：ads_device_analysis
* - 广告网络类型统计：ads_network_analysis
* - 广告运营商统计：ads_isp_analysis
* - 广告渠道统计：ads_channel_analysis
*/
object PmtReportRunner {
def main(args: Array[String]): Unit = {
// 设置Spark应用程序运行的用户：root, 默认情况下为当前系统用户
System.setProperty("user.name", "root")
System.setProperty("HADOOP_USER_NAME", "root")
// 1. 创建SparkSession实例对象
val spark: SparkSession = SparkUtils.createSparkSession(this.getClass)
import spark.implicits._
// 2. 从Hive表中加载广告ETL数据
val pmtDF: DataFrame = spark.read
.table("itcast_ads.pmt_ads_info")
.where($"date_str" === date_sub(current_date(), 1))
//pmtDF.printSchema()
//pmtDF.select("uuid", "ip", "province", "city").show(20, truncate = false)
// 如果没有加载到数据，结束程序
if(pmtDF.isEmpty){
System.exit(-1)
}
// TODO： 由于多张报表的开发，使用相同的数据，所以缓存
pmtDF.persist(StorageLevel.MEMORY_AND_DISK)
// 3. 依据不同业务需求开发报表
/*
不同业务报表统计分析时，两步骤：
i. 编写SQL或者DSL分析
ii. 将分析结果保存MySQL数据库表中
*/
// 3.1. 地域分布统计：region_stat_analysis
//RegionStateReport.doReport(pmtDF)
// 3.2. 广告区域统计：ads_region_analysis
//AdsRegionAnalysisReport.doReport(pmtDF)
// 3.3. 广告APP统计：ads_app_analysis
//AdsAppAnalysisReport.processData(pmtDF)
// 3.4. 广告设备统计：ads_device_analysis
//AdsDeviceAnalysisReport.processData(pmtDF)
// 3.5. 广告网络类型统计：ads_network_analysis
//AdsNetworkAnalysisReport.processData(pmtDF)
// 3.6. 广告运营商统计：ads_isp_analysis
//AdsIspAnalysisReport.processData(pmtDF)
// 3.7. 广告渠道统计：ads_channel_analysis
//AdsChannelAnalysisReport.processData(pmtDF)
// 数据不再使用，释放资源
pmtDF.unpersist()
// 4. 应用结束，关闭资源
//Thread.sleep(1000000)
spark.stop()
}
}

上述代码中，考虑到如果要处理昨日广告数据ETL没有完成，那么Hive分区表中没有数据，所以加载数据以后，调用DataFrame.isEmpty判断是否不为空。

3.2 各地域数量分布

按照地域（省份province和城市city）统计广告数据分布情况，看到不同地区有多少数据，从而能够地区优化公司运营策略，最终结果如下图所示：

在这里插入图片描述
数据库创建表
在MySQL数据库中创建数据库【itcast_ads_report】和表【region_stat_analysis】，DDL语句：

-- 创建数据库，不存在时创建
-- DROP DATABASE IF EXISTS itcast_ads_report;
CREATE DATABASE IF NOT EXISTS itcast_ads_report;
USE itcast_ads_report;
-- 创建表
-- DROP TABLE IF EXISTS itcast_ads_report.region_stat_analysis ;
CREATE TABLE `itcast_ads_report`.`region_stat_analysis` (
`report_date` varchar(255) NOT NULL,
`province` varchar(255) NOT NULL,
`city` varchar(255) NOT NULL
`count` bigint DEFAULT NULL,
PRIMARY KEY (`report_date`,`province`,`city`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_0900_ai_ci;

后面将报表结果数据保存MySQL表中时，采用的是自己编写代码，并不使用DataFrame自带format(“jdbc”)方式，不能满足需求：当某日报表统计程序运行多次时，插入数据到结果表中，采用Append最佳方式，主键冲突；采用OverWrite方式，将会将表删除，以前统计结果也都删除。因此，调用DataFrame中foreachPartition方法，将每个分区数据保存到表中，INSTER语句：

INSERT
INTO
itcast_ads_report.region_stat_analysis
(report_date, province, city, count)
VALUES
(?, ?, ?, ?)
ON DUPLICATE KEY UPDATE
count=VALUES(count) ;

说明：Navicate 连接MySQL8 时，可以会报错，进行如下相关设置：

SHOW VARIABLES LIKE 'validate_password%';
/*
+--------------------------------------+--------+
| Variable_name | Value |
+--------------------------------------+--------+
| validate_password.check_user_name | ON |
| validate_password.dictionary_file | |
| validate_password.length | 8 |
| validate_password.mixed_case_count | 1 |
| validate_password.number_count | 1 |
| validate_password.policy | MEDIUM |
| validate_password.special_char_count | 1 |
+--------------------------------------+--------+
*/
set global validate_password.policy=LOW;
set global validate_password.length = 6 ;
SHOW VARIABLES LIKE 'validate_password%';
/*
+--------------------------------------+-------+
| Variable_name | Value |
+--------------------------------------+-------+
| validate_password.check_user_name | ON |
| validate_password.dictionary_file | |
| validate_password.length | 6 |
| validate_password.mixed_case_count | 1 |
| validate_password.number_count | 1 |
| validate_password.policy | LOW |
| validate_password.special_char_count | 1 |
+--------------------------------------+-------+
*/
flush privileges;
SELECT user,host,plugin from mysql.user ;
/*
+------------------+-----------+-----------------------+
| user | host | plugin |
+------------------+-----------+-----------------------+
| root | % | caching_sha2_password |
| mysql.infoschema | localhost | caching_sha2_password |
| mysql.session | localhost | caching_sha2_password |
| mysql.sys | localhost | caching_sha2_password |
+------------------+-----------+-----------------------+
*/
ALTER USER 'root'@'%' IDENTIFIED WITH mysql_native_password BY '123456';

编写SQL
在Beeline客户端，编写SQL语句，完成报表开发需求，语句如下：

SELECT CAST(DATE_SUB(NOW(), 1) AS STRING) AS report_date,
province,
city,
COUNT(1) AS count
FROM itcast_ads.pmt_ads_info
WHERE date_str="2020-04-25"
GROUP BY province, city
ORDER BY count
DESC LIMIT 10 ;

执行语句返回结果截图：
在这里插入图片描述
报表开发
编写【RegionStateReport.scala】类，创建【doReport】方法，接收DataFrame为参数，进行报表统计，并最终保存至MySQL表中，封装保存结果数据代码至saveToMySQL方法中。

1）、业务实现代码

package cn.itcast.spark.report
import cn.itcast.spark.config.ApplicationConfig
import org.apache.spark.sql.types.StringType
import org.apache.spark.sql.{DataFrame, Row, SaveMode}
/**
* 报表开发：按照地域维度（省份和城市）分组统计广告被点击次数
* 地域分布统计：region_stat_analysis
*/
object RegionStateReport {
/**
* 不同业务报表统计分析时，两步骤：
* i. 编写SQL或者DSL分析
* ii. 将分析结果保存MySQL数据库表中
*/
def doReport(dataframe: DataFrame): Unit = {
// 导入隐式转换及函数库
import dataframe.sparkSession.implicits._
import org.apache.spark.sql.functions._
// i. 使用DSL（调用DataFrame API）报表开发
val resultDF: DataFrame = dataframe
// 按照地域维度分组（省份和城市）
.groupBy($"province", $"city")
// 直接count函数统计，列名称为count
.count()
// 按照次数进行降序排序
.orderBy($"count".desc)
// 添加报表字段（报表统计的日期）
.withColumn(
"report_date", // 报表日期字段
// TODO：首先获取当前日期，再减去1天获取昨天日期，转换为字符串类型
date_sub(current_date(), 1).cast(StringType)
)
//resultDF.printSchema()
resultDF.show(50, truncate = false)
// ii. 保存分析报表结果到MySQL表中
//saveResultToMySQL(resultDF)
// 将DataFrame转换为RDD操作，或者转换为Dataset操作
//resultDF.coalesce(1).rdd.foreachPartition(iter => saveToMySQL(iter))
}
}

运行PmtReportRunner报表主类程序，结果如下：
在这里插入图片描述
2）、可以直接使用DataFrame.format(“jdbc”)至MySQL表

/**
* 保存数据至MySQL表中，直接使用DataFrame Writer操作，但是不符合实际应用需求
*/
def saveResultToMySQL(dataframe: DataFrame): Unit = {
dataframe
.coalesce(1)
.write
// Overwrite表示，当表存在时，先删除表，再创建表和插入数据, 所以不用此种方式
//.mode(SaveMode.Overwrite)
// TODO: 当多次运行程序时，比如对某日广告数据报表分析运行两次，由于报表结果主键存在数据库表中，产生
冲突，导致报错失败
.mode(SaveMode.Append)
.format("jdbc")
// 设置MySQL数据库相关属性
.option("driver", ApplicationConfig.MYSQL_JDBC_DRIVER)
.option("url", ApplicationConfig.MYSQL_JDBC_URL)
.option("user", ApplicationConfig.MYSQL_JDBC_USERNAME)
.option("password", ApplicationConfig.MYSQL_JDBC_PASSWORD)
.option("dbtable", "itcast_ads_report.region_stat_analysis")
.save()
}

保存方式选择Append追加或覆写Overwrite，都会出现问题，所以在实际项目开发中，使用SparkSQL分析数据报表报错数据库时，往往不会使用dataframe.write.jdbc方式。

3）、自己编写JDBC代码，插入数据到数据库表中：当主键存在时更新值，不存在时插入值。

/**
* 方式一：
* REPLACE INTO test(title,uid) VALUES ('1234657','1003');
* 方式二：
* INSERT INTO table (a,b,c) VALUES (1,2,3) ON DUPLICATE KEY UPDATE c=c+1;
*/

定义方法【saveToMySQL】传递参数【Iterator[Row]：每个分区数据】，代码如下：

import java.sql.{Connection, DriverManager, PreparedStatement}
/**
* 保存数据至MySQL数据库，使用函数foreachPartition对每个分区数据操作，主键存在时更新，不存在时插入
*/
def saveToMySQL(datas: Iterator[Row]): Unit = {
// a. 加载驱动类
Class.forName(ApplicationConfig.MYSQL_JDBC_DRIVER)
// 声明变量
var conn: Connection = null
var pstmt: PreparedStatement = null
try{
// b. 获取连接
conn = DriverManager.getConnection(
ApplicationConfig.MYSQL_JDBC_URL, //
ApplicationConfig.MYSQL_JDBC_USERNAME, //
ApplicationConfig.MYSQL_JDBC_PASSWORD
)
// c. 获取PreparedStatement对象
val insertSql ="""
|INSERT
|INTO
| itcast_ads_report.region_stat_analysis
| (report_date, province, city, count)
|VALUES (?, ?, ?, ?)
| ON DUPLICATE KEY UPDATE
| count=VALUES (count)
|""".stripMargin
pstmt = conn.prepareStatement(insertSql)
conn.setAutoCommit(false)
// d. 将分区中数据插入到表中，批量插入
datas.foreach{ row =>
pstmt.setString(1, row.getAs[String]("report_date"))
pstmt.setString(2, row.getAs[String]("province"))
pstmt.setString(3, row.getAs[String]("city"))
pstmt.setLong(4, row.getAs[Long]("count"))
// 加入批次
pstmt.addBatch()
}
// TODO: 批量插入
pstmt.executeBatch()
conn.commit()
}catch {
case e: Exception => e.printStackTrace()
}finally {
if(null != pstmt) pstmt.close()
if(null != conn) conn.close()
}
}

采用批量插入的方式将RDD分区数据插入到MySQL表中，提升性能。

完整代码
报表开发程序【RegionStateReport.scala】完整代码如下：

package cn.itcast.spark.report
import java.sql.{Connection, DriverManager, PreparedStatement}
import cn.itcast.spark.config.ApplicationConfig
import org.apache.spark.sql.types.StringType
import org.apache.spark.sql.{DataFrame, Row, SaveMode}
/**
* 报表开发：按照地域维度（省份和城市）分组统计广告被点击次数
* 地域分布统计：region_stat_analysis
*/
object RegionStateReport {
/**
* 不同业务报表统计分析时，两步骤：
* i. 编写SQL或者DSL分析
* ii. 将分析结果保存MySQL数据库表中
*/
def doReport(dataframe: DataFrame): Unit = {
// 导入隐式转换及函数库
import dataframe.sparkSession.implicits._
import org.apache.spark.sql.functions._
// i. 使用DSL（调用DataFrame API）报表开发
val resultDF: DataFrame = dataframe
// 按照地域维度分组（省份和城市）
.groupBy($"province", $"city")
// 直接count函数统计，列列名称为count
.count()
// 按照次数进行降序排序
.orderBy($"count".desc)
// 添加报表字段（报表统计的日期）
.withColumn(
"report_date", // 报表日期字段
// TODO：首先获取当前日期，再减去1天获取昨天日期，转换为字符串类型
date_sub(current_date(), 1).cast(StringType)
)
//resultDF.printSchema()
resultDF.show(10, truncate = false)
// ii. 保存分析报表结果到MySQL表中
//saveResultToMySQL(resultDF)
// 将DataFrame转换为RDD操作，或者转换为Dataset操作
resultDF.coalesce(1).rdd.foreachPartition(iter => saveToMySQL(iter))
}
/**
* 保存数据至MySQL表中，直接使用DataFrame Writer操作，但是不符合实际应用需求
*/
def saveResultToMySQL(dataframe: DataFrame): Unit = {
dataframe
.coalesce(1)
.write
// Overwrite表示，当表存在时，先删除表，再创建表和插入数据, 所以不用此种方式
//.mode(SaveMode.Overwrite)
// TODO: 当多次运行程序时，比如对某日广告数据报表分析运行两次，由于报表结果主键存在数据库表中，产生
冲突，导致报错失败
.mode(SaveMode.Append)
.format("jdbc")
// 设置MySQL数据库相关属性
.option("driver", ApplicationConfig.MYSQL_JDBC_DRIVER)
.option("url", ApplicationConfig.MYSQL_JDBC_URL)
.option("user", ApplicationConfig.MYSQL_JDBC_USERNAME)
.option("password", ApplicationConfig.MYSQL_JDBC_PASSWORD)
.option("dbtable", "itcast_ads_report.region_stat_analysis")
.save()
}
/**
* 保存数据至MySQL数据库，使用函数foreachPartition对每个分区数据操作，主键存在时更新，不存在时插入
*/
def saveToMySQL(datas: Iterator[Row]): Unit = {
// a. 加载驱动类
Class.forName(ApplicationConfig.MYSQL_JDBC_DRIVER)
// 声明变量
var conn: Connection = null
var pstmt: PreparedStatement = null
try{
// b. 获取连接
conn = DriverManager.getConnection(
ApplicationConfig.MYSQL_JDBC_URL, //
ApplicationConfig.MYSQL_JDBC_USERNAME, //
ApplicationConfig.MYSQL_JDBC_PASSWORD
)
// c. 获取PreparedStatement对象
val insertSql ="""
|INSERT
|INTO
| itcast_ads_report.region_stat_analysis
| (report_date, province, city, count)
|VALUES (?, ?, ?, ?)
| ON DUPLICATE KEY UPDATE count= VALUES(count)
|""".stripMargin
pstmt = conn.prepareStatement(insertSql)
conn.setAutoCommit(false)
// d. 将分区中数据插入到表中，批量插入
datas.foreach{ row =>
pstmt.setString(1, row.getAs[String]("report_date"))
pstmt.setString(2, row.getAs[String]("province"))
pstmt.setString(3, row.getAs[String]("city"))
pstmt.setLong(4, row.getAs[Long]("count"))
// 加入批次
pstmt.addBatch()
}
// TODO: 批量插入
pstmt.executeBatch()
conn.commit()
}catch {
case e: Exception => e.printStackTrace()
}finally {
if(null != pstmt) pstmt.close()
if(null != conn) conn.close()
}
}
}

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/363647.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

【总结】python3启动web服务引发的一系列问题

【总结】python3启动web服务引发的一系列问题

背景 在某行的实施项目，需要使用python3环境运行某些py脚本。 由于行内交付的机器已自带python3 ，没有采取自行安装python3，但是运行python脚本时报没有tornado module。 错误信息 ModuleNotFoundError：No module named ‘torn…
阅读更多...
Unity截屏时将背景的透明度设为0

Unity截屏时将背景的透明度设为0

常用的截屏函数是： UnityEngine.ScreenCapture.CaptureScreenshot(fileName, 5); //5代表dpi大小，数字越大越清晰但是这样保存图片是不能将黑色背景的透明度设为0，最终还是24bit图。 如果将背景透明度设为0而渲染物体透明度设为255&#xff…
阅读更多...
学插画的线上机构排名

学插画的线上机构排名

学插画哪个线上机构好，5个靠谱的插画网课推荐！给大家梳理了国内5家专业的插画师培训班，最新5大插画班排行榜，各有优势和特色！ 一：插画线上培训机构排名 1、轻微课（五颗星） 主打课程有…
阅读更多...
【C语言】函数栈帧的创建与销毁

【C语言】函数栈帧的创建与销毁

Yan-英杰的主页 悟已往之不谏 知来者之可追 目录 ​0.ebp和esp是如何来维护栈帧的呢？ 1.为什么局部变量的值不初始化是随机的？ ​2.局部变量是怎么创建的？ ​3 .函数是如何传参的？传参的顺序是怎样的 4.函数是如何调用的 ​…
阅读更多...
scrapy-redis分布式爬虫学习记录

scrapy-redis分布式爬虫学习记录

目录 1. scrapy-redis是什么？ 2. scrapy-redis工作原理 3.分布式架构 4. scrapy-redis的源码分析 5. 部署scrapy-redis 6. scrapy-redis的基本使用 6.1 redis数据库基本表项 6.2 在scrapy项目的基础进行更改 7. redis数据转存入mysql数据库 课程推荐&#…
阅读更多...
大学生成人插画培训机构盘点

大学生成人插画培训机构盘点

成人插画培训机构哪个好，成人学插画如何选培训班？给大家梳理了国内较好的插画培训机构排名，各有优势和特色，供大家参考！ 一：国内成人插画培训机构排名 1、轻微课（五颗星） 主打课程有…
阅读更多...
Head First设计模式---3.装饰者模式

Head First设计模式---3.装饰者模式

3.1装饰者模式 亦称： 装饰者模式、装饰器模式、Wrapper、Decorator 装饰模式是一种结构型设计模式， 允许你通过将对象放入包含行为的特殊封装对象中来为原对象绑定新的行为。 举个例子：天气很冷，我们一件一件穿衣服&#xff0c…
阅读更多...
学习Flask之五、数据库

学习Flask之五、数据库

学习Flask之五、数据库 数据库有组织的存贮应用数据。根据需要应用发布查询追踪特定部分。网络应用最常用的数据库是基于关系模式的，也称为SQL数据库，引用结构化查询语句。但是近年来，面向文档和键值的数据库，非正式的统称为NoSQ…
阅读更多...
乐友商城学习笔记（一）

乐友商城学习笔记（一）

SpringCloud 什么是SpringCloud 在SpringBoot基础上构建的微服务框架固定步骤 1.引入组件的启动器2.覆盖默认配置3.在引导类上添加相应的注解 eureka 注册中心，服务的注册与发现服务端 1.引入服务器启动器：eureka-server2.添加了配置 spring.applicati…
阅读更多...
【Git】使用Git上传项目到远程仓库Gitee码云步骤详解

【Git】使用Git上传项目到远程仓库Gitee码云步骤详解

电脑里存放了很多项目，有的备份，有的没备份，如果不仔细分类管理的话，时间一长，到时看到那就会觉得非常杂乱，很难整理，这里有一个叫源代码托管，用过它的都知道，方便管理和…
阅读更多...
如何下载阅读Spring源码-全过程详解

如何下载阅读Spring源码-全过程详解

这篇文章记录了下载spring源码和在IDEA中打开运行的全过程，并且记录了过程中遇到的问题和解决方案，适合需要学习spring源码的同学阅读。 1.spring源码下载地址 通过Git下载spring-framework项目源码： git clone https://github.com/spring…
阅读更多...
Document-Level event Extraction via human-like reading process 论文解读

Document-Level event Extraction via human-like reading process 论文解读

Document-Level event Extraction via human-like reading process 论文：2202.03092v1.pdf (arxiv.org) 代码：无 期刊/会议：ICASSP 2022 摘要 文档级事件抽取(DEE)特别困难，因为它提出了两个挑战:论元分散和多事件。第一个挑战…
阅读更多...
TPM 2.0实例探索2 —— LUKS磁盘加密（1）

TPM 2.0实例探索2 —— LUKS磁盘加密（1）

本文大部分内容取自： LUKS磁盘格式_小写的毛毛的博客-CSDN博客_luks 如何破解LUKS加密 一、LUKS介绍 1. 什么是LUKS LUKS是“Linux Unified Key Setup”的简写，是 Linux 硬盘加密的标准。LUKS通过提供标准的磁盘格式，不仅可以促进发行版之…
阅读更多...
短链或H5唤醒(跳转)APP应用

短链或H5唤醒(跳转)APP应用

唤醒APP(两种方法) 一.短链唤醒(跳转)app ⭐ 短链跳转到APP，当如果用户手机不存在APP(某个应用)将会进入到官网页面。 app links实现 在android studio菜单栏Tools->App Links Ass点击,效果图如下 2.配置如下 点击ok,生成如下效果图 3.完成第二步后,会自动…
阅读更多...
深度解读 ｜ 数据资产管理面临诸多挑战，做好这5个措施是关键

深度解读 ｜ 数据资产管理面临诸多挑战，做好这5个措施是关键

日前，大数据技术标准推进委员会（中国通信标准化协会下（CCSA）的专业技术委员会，简称TC601）发布《数据资产管理实践白皮书》（6.0 版）（以下简称：报告&#xff09…
阅读更多...
网友说socket通信讲的不彻底，原来这才是Socket

网友说socket通信讲的不彻底，原来这才是Socket

关于对 Socket 的认识，大致分为下面几个主题，Socket 是什么，Socket 是如何创建的，Socket 是如何连接并收发数据的，Socket 套接字的删除等。 Socket 是什么以及创建过程 一个数据包经由应用程序产生，进入到…
阅读更多...
linux下安装mongoDB

linux下安装mongoDB

一、下载mongoDB包 下载地址： https://www.mongodb.com/try/download/community 个人建议：如果是学习阶段，使用5以下版本更好些。 二、安装及配置 1、安装 # 1、解压 $ tar -zxvf mongodb-linux-x86_64-rhel70-4.4.19-rc1.tgz# 2、迁移目…
阅读更多...
【二叉树】

【二叉树】

1，利用类来构建结点，利用函数递归来构建树2，因为左子树的结点编号是父节点的2倍，右子树的结点编号是父节点的2倍1，所以可以用数组模拟建树的过程构建二叉树第一种构建方式class treenode():#二叉树节点def __init__(se…
阅读更多...
【西安】Python-GEE遥感云大数据分析、管理与可视化技术及多领域案例实践应用

【西安】Python-GEE遥感云大数据分析、管理与可视化技术及多领域案例实践应用

目录 第一章 理论基础 第二章 开发环境搭建 第三章 遥感大数据处理 基础 第四章 典型案例操作实践 第五章 输入输出及数据 资产高效管理 第六章 云端数据论文出版级可视化 ​随着航空、航天、近地空间等多个遥感平台的不断发展，近年来遥感技术突飞猛进。由此&…
阅读更多...
使用代码生成器生成代码

使用代码生成器生成代码

一、新建数据源配置 因考虑到多数据源问题，代码生成器作为一个通用的模块，后续可能会为其他工程生成代码，所以，这里不直接读取系统工程配置的数据源，而是让用户自己维护。 新建数据源 参数说明 数据源名称&#xff1…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023