Hadoop基础学习---5、MapReduce概述和WordCount实操（本地运行和集群运行）、Hadoop序列化

news2025/1/12 6:20:48

1、MapReduce概述

1.1 MapReduce定义

MapReduce是一个分布式运算程序的编程框架，是用户开发“基于Hadoop的数据分析应用”的核心框架。

MapReduce核心功能是将用户编写的业务逻辑代码和自带默认组件整合成一个完整的分布式运算程序，并发运行在一个Hadoop集群上。

1.2 MapReduce的优缺点

1.2.1 优点

1、易于编程
它简单的实现一些接口，就可以完成一个分布式程序，这个分布式程序可以分布到大量廉价的 PC 机器上运行。也就是说你写一个分布式程序，跟写一个简单的串行程序是一模一样的。就是因为这个特点使得 MapReduce 编程变得非常流行。
2、良好的扩展性
当你的计算资源不能得到满足的时候，你可以通过简单的增加机器来扩展它的计算能力。
3、高容错性
MapReduce 设计的初衷就是使程序能够部署在廉价的 PC 机器上，这就要求它具有很高的容错性。比如其中一台机器挂了，它可以把上面的计算任务转移到另外一个节点上运行，不至于这个任务运行失败，而且这个过程不需要人工参与，而完全是由 Hadoop 内部完成的。
4、适合PB级以上海量数据的离线处理
可以实现上千台服务器集群并发工作，提供数据处理能力。

1.2.2 缺点

1、不擅长实时计算
MapReduce 无法像 MySQL 一样，在毫秒或者秒级内返回结果。
2、不擅长流式计算
流式计算的输入数据是动态的，而 MapReduce 的输入数据集是静态的，不能动态变化。这是因为 MapReduce 自身的设计特点决定了数据源必须是静态的
。
3、不擅长DAG（有向无环图）
多个应用程序存在依赖关系，后一个应用程序的输入为前一个的输出。在这种情况下，MapReduce 并不是不能做，而是使用后，每个 MapReduce 作业的输出结果都会写入到磁盘，会造成大量的磁盘 IO，导致性能非常的低下。

1.3 MapReduce核心思想

在这里插入图片描述
1、分布式的运算程序往往需要分成至少两个阶段。
2、第一个阶段MapTask并发实例，完全并行运行，互不想干。
3、第二个阶段ReduceTask并发运行，互不相干，但是它们的数据依赖于上一个阶段所以Maptask并发实例的输出。
4、MapReduce编程模型只能包含一个Map阶段和一个Reduce阶段，如果用户的业务逻辑非常复杂，那就只能多个MapReduce程序，串行运行。

1.4 MapReduce进程

一个完整的MapReduce程序在分布式运行时有三类实例进程：
1、MrAppMaster：负责整个程序的过程调度及状态协调。
2、MapTask：负责Map阶段的整个数据处理流程。
3、ReduceTask：负责Reduce阶段的整个数据处理流程。

1.5 常用数据序列化类型

Java类型Hadoop Writable类型
BooleanBooleanWritable
ByteByteWritable
IntIntWritable
FloatFloatWritable
LongLongWritable
DoubleDoubleWritable
StringText
MapMapWritable
ArrayArrayWritable
NullNullWritable

1.6 MapReduce 编程规范

用户编写的程序分为三个部分：Mapper、Reducer、Driver
1、Mapper阶段
（1）用户自定义的Mapper要继承自己的父类
（2）Mapper的输入数据是KV对的形式（KV类型可以自定义）
（3）Mapper的业务逻辑写在map()方法中
（4）Mapper的输出数据是KV对的形式（KV类型可自定义）
（5）map()方法（MapTask）对每一个<K,V>调用一次

2、Reducer阶段
（1）用户自定义的Reducer要继承自己的父类
（2）Reducer的输入数据类型对应Mapper的输出数据类型，也是KV
（3）Reducer的业务逻辑写在Reduce()方法中
（4）ReduceTask进程对每一组相同的k的<k,v>组调用一次reduce()方法

3、Driver阶段
相当于Yarn集群的客户端，用于提交我们整个程序到Yarn集群，提交的是封装了MapReduce程序相关运行参数的job对象。

1.7 WordCount案例实操

1.7.1 本地测试

1、需求
在给定的文本文件中统计输出每一个单词出现的总次数
（1）输入数据
在这里插入图片描述
在这里插入图片描述
2、需求分析
按照 MapReduce 编程规范，分别编写 Mapper，Reducer，Driver。
3、环境准备
（1）创建 maven 工程，MapReduceDemo
（2）在 pom.xml 文件中添加如下依赖

<dependencies>
 <dependency>
 <groupId>org.apache.hadoop</groupId>
 <artifactId>hadoop-client</artifactId>
 <version>3.1.3</version>
 </dependency>
 <dependency>
 <groupId>junit</groupId>
 <artifactId>junit</artifactId>
 <version>4.12</version>
 </dependency>
 <dependency>
 <groupId>org.slf4j</groupId>
 <artifactId>slf4j-log4j12</artifactId>
 <version>1.7.30</version>
 </dependency>
</dependencies>

（3）在项目的 src/main/resources 目录下，新建一个文件，命名为“log4j.properties”，在文件中填入。

log4j.rootLogger=INFO, stdout 
log4j.appender.stdout=org.apache.log4j.ConsoleAppender 
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout 
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n 
log4j.appender.logfile=org.apache.log4j.FileAppender 
log4j.appender.logfile.File=target/spring.log 
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout 
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n

（4）创建包名：com.example.mapreduce.wordcount

4、编写程序
（1）编写Mapper类

package org.example.wordcount;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;

/**
 * @ClassName WordCountMapper
 * @Description 获取输入数据，将数据以（k,v）输出
 * @Author Zouhuiming
 * @Date 2023/5/19 11:28
 * @Version 1.0
 */
public class WordCountMapper extends Mapper<LongWritable, Text,Text, IntWritable> {
    private  Text text=new Text();
    IntWritable intWritable=new IntWritable(1);
    @Override
    //map是每一行都会运行一次
    protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, IntWritable>.Context context) throws IOException, InterruptedException {
        //获取一行数据
        String line=value.toString();
        //以分隔符生成一个字符串数组
        String[] s = line.split(" ");

        //遍历数组
        for (String s1 : s) {
            text.set(s1);
            context.write(text,intWritable);
        }
    }
}

（2）编写Reducer类

package org.example.wordcount;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;

/**
 * @ClassName WordCountReduce
 * @Description TODO
 * @Author Zouhuiming
 * @Date 2023/5/19 11:28
 * @Version 1.0
 */
public class WordCountReduce extends Reducer<Text, IntWritable,Text,IntWritable> {
    int sum;
    IntWritable intWritable=new IntWritable();
    @Override
    //每个键值相同的一起reduce
    protected void reduce(Text key, Iterable<IntWritable> values, Reducer<Text, IntWritable, Text, IntWritable>.Context context) throws IOException, InterruptedException {
        sum=0;
        for (IntWritable value : values) {
            sum+=value.get();
        }
        intWritable.set(sum);
        context.write(key,intWritable);
    }
}

（3）编写Driver类

package org.example.wordcount;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import java.io.IOException;

/**
 * @ClassName WordCountDriver
 * @Description TODO
 * @Author Zouhuiming
 * @Date 2023/5/19 11:29
 * @Version 1.0
 */
public class WordCountDriver {
    public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {

        //1、获取job
        Configuration configuration=new Configuration();
        Job job=Job.getInstance(configuration);

        //2、设置jar包路径
        job.setJarByClass(WordCountDriver.class);

        //3、关联mapper和reducer
        job.setMapperClass(WordCountMapper.class);
        job.setReducerClass(WordCountReduce.class);

        //4、设置map输出的kv类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);

        //5、设置最终输出的kv类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);

        //6、设置输入路径和输出路径
        FileInputFormat.addInputPath(job,new Path("E:\\testCSDN\\input"));
        FileOutputFormat.setOutputPath(job,new Path("E:\\testCSDN\\output"));
        //7、提交job

        boolean b = job.waitForCompletion(true);
        System.exit(b?0:1);
    }
}

5、本地测试
（1）需要首先配置好 HADOOP_HOME 变量以及 Windows 运行依赖
（2）在 IDEA/Eclipse 上运行程序

6、运行结果
一般出现如下图就运行成功了
在这里插入图片描述
在这里插入图片描述

1.7.2 集群测试

（1）利用maven打jar包，需要添加打包插件依赖

<build>
 <plugins>
 <plugin>
 <artifactId>maven-compiler-plugin</artifactId>
 <version>3.6.1</version>
 <configuration>
 <source>1.8</source>
 <target>1.8</target>
 </configuration>
 </plugin>
 <plugin>
 <artifactId>maven-assembly-plugin</artifactId>
 <configuration>
 <descriptorRefs>
 <descriptorRef>jar-with-dependencies</descriptorRef>
 </descriptorRefs>
 </configuration>
 <executions>
 <execution>
 <id>make-assembly</id>
 <phase>package</phase>
 <goals>
 <goal>single</goal>
 </goals>
 </execution>
 </executions>
 </plugin>
 </plugins>
</build>

注意：如果工程上显示红叉。在项目上右键->maven->Reimport 刷新即可。
（2）将程序打成jar包
在这里插入图片描述
（3）修改不带依赖的 jar 包名称为 wc.jar，并拷贝该 jar 包到 Hadoop 集群的
/opt/module/hadoop-3.1.3 路径。
（4）启动 Hadoop 集群
大家都会启动吧
（5）执行 WordCount 程序

 hadoop jar wc.jar org.example.wordcount.WordCountDriver /user/input /user/output

注意:要提前将单词文件上传到指定集群目录下（本次就是/user/input ），还要保证输出文件目录不存在！！！

2、Hadoop序列化

2.1 序列化概述

1、什么是序列化
序列化就是把内存中的对象，转换成直接序列（或其他数据传输协议）以便储存到磁盘（持久化）和网络传输。

反序列化就是将收到字节序列（或其他数据传输协议）或者是磁盘的持久化数据，转换成内存中的对象。

2、为什么要进行序列化
一般来说，“活的”对象只生存在内存里，关机断电就没有了。而且“活的”对象只能由本地的进程使用，不能被发送到网络上的另外一台计算机。 然而序列化可以存储“活的”对象，可以将“活的”对象发送到远程计算机。

3、为什么不用java序列化
Java 的序列化是一个重量级序列化框架（Serializable），一个对象被序列化后，会附带很多额外的信息（各种校验信息，Header，继承体系等），不便于在网络中高效传输。所以，Hadoop 自己开发了一套序列化机制（Writable）。

4、Hadoop序列化特点：
（1）紧凑：高效使用储存空间
（2）快速：读写数据的额外开销小
（3）互操作：支持多语言的交互

2.2自定义Bean对象实现序列化接口（Writable）

在企业开开发中往往常用的基本序列化类型不能满足所有需求，比如在 Hadoop 框架内部传递一个 bean 对象，那么该对象就需要实现序列化接口。
具体实现bean对象序列化步骤如下：
（1）必须实现Writable接口
（2）反序列化时，需要发射调用空参构造器，所以必须有空参构造器

public FlowBean() {
super();
}

（3）重写序列化方法

@Override
public void write(DataOutput out) throws IOException {
out.writeLong(upFlow);
out.writeLong(downFlow);
out.writeLong(sumFlow);
}

（4）重写反序列方法

@Override
public void readFields(DataInput in) throws IOException {
upFlow = in.readLong();
downFlow = in.readLong();
sumFlow = in.readLong();
}

（5）注意序列化和反序列化的顺序要完全一致
（6）要想把结果显示在文件中，需要重写 toString()，可用"\t"分开，方便后续用。
（7）如果需要将自定义的 bean 放在 key 中传输，则还需要实现 Comparable 接口，因为MapReduce 框中的 Shuffle 过程要求对 key 必须能排序。

@Override
public int compareTo(FlowBean o) {
// 倒序排列，从大到小
return this.sumFlow > o.getSumFlow() ? -1 : 1;
}

2.3 序列化案例实操

1、需求
统计每一个手机号耗费的总上行流量、总下行流量、总流量
（1）输入数据文件（百度网盘自取数据文件）
链接：https://pan.baidu.com/s/1i2FdQTWFijkrr29n9xAj8Q
提取码：zhm6

（2）输入数据格式
在这里插入图片描述
（3）期望输出数据格式
在这里插入图片描述

2、需求分析
在这里插入图片描述
3、编写MapReduce程序
（1）编写流量统计的 Bean 对象

package org.example.Hadoopxuliehua;

import org.apache.hadoop.io.Writable;

import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;

/**
 * @ClassName FlowBean
 * @Description TODO
 * @Author Zouhuiming
 * @Date 2023/5/20 10:13
 * @Version 1.0
 */
public class FlowBean implements Writable {
    private Long  upFlow;
    private Long downFlow;
    private long sumFlow;

    public FlowBean() {
    }

    public Long getUpFlow() {
        return upFlow;
    }

    public void setUpFlow(Long upFlow) {
        this.upFlow = upFlow;
    }

    public Long  getDownFlow() {
        return downFlow;
    }

    public void setDownFlow(Long  downFlow) {
        this.downFlow = downFlow;
    }

    public void setSumFlow() {
        this.sumFlow = this.upFlow+this.downFlow;
    }

    //实现序列化
    @Override
    public void write(DataOutput dataOutput) throws IOException {
        dataOutput.writeLong(upFlow);
        dataOutput.writeLong(downFlow);
        dataOutput.writeLong(sumFlow);
    }
    //实现反序列化
    @Override
    public void readFields(DataInput dataInput) throws IOException {
        this.upFlow=dataInput.readLong();
        this.downFlow=dataInput.readLong();
        this.sumFlow=dataInput.readLong();
    }

    @Override
    public String toString() {
        return upFlow+"\t"+downFlow+"\t"+sumFlow;
    }
}

（2）编写 Mapper 类

package org.example.Hadoopxuliehua;

import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;

/**
 * @ClassName FlowMapper
 * @Description TODO
 * @Author Zouhuiming
 * @Date 2023/5/20 10:21
 * @Version 1.0
 */
public class FlowMapper extends Mapper<LongWritable,Text,Text,FlowBean> {
    private Text outK=new Text();
    private FlowBean  outV=new FlowBean();
    @Override
    protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, FlowBean>.Context context) throws IOException, InterruptedException {
        String[] split = value.toString().split("\t");

        //逐行获取我们需要的用户数据并提取需要的数据
        String phone=split[1];
        String up=split[split.length-3];
        String down=split[split.length-2];

        //封装outK 和outV
        outK.set(phone);
        outV.setUpFlow(Long.parseLong(up));
        outV.setDownFlow(Long.parseLong(down));
        outV.setSumFlow();

        //写出
        context.write(outK,outV);
    }
}

（3）编写 Reducer 类

package org.example.Hadoopxuliehua;

import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;

/**
 * @ClassName FlowReducer
 * @Description TODO
 * @Author Zouhuiming
 * @Date 2023/5/20 10:29
 * @Version 1.0
 */
public class FlowReducer extends Reducer <Text,FlowBean,Text,FlowBean>{
    private FlowBean outV=new FlowBean();
    @Override
    protected void reduce(Text key, Iterable<FlowBean> values, Reducer<Text, FlowBean, Text, FlowBean>.Context context) throws IOException, InterruptedException {
        long total_up=0;
        long total_down=0;
        for (FlowBean value : values) {
            total_up+=value.getUpFlow();
            total_down+=value.getDownFlow();
        }

        //封装outKV
        outV.setUpFlow(total_up);
        outV.setDownFlow(total_down);
        outV.setSumFlow();

        //写出
        context.write(key,outV);

    }
}

（4）编写 Driver 驱动类

package org.example.Hadoopxuliehua;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import java.io.IOException;

/**
 * @ClassName FlowDriver
 * @Description TODO
 * @Author Zouhuiming
 * @Date 2023/5/20 10:38
 * @Version 1.0
 */
public class FlowDriver {
    public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {
        //1、获取job对象
        Configuration configuration=new Configuration();
        Job job=Job.getInstance(configuration);

        //2、关联本Driver类
        job.setJarByClass(FlowDriver.class);


        //3、关联Mapper和Reducer
        job.setMapperClass(FlowMapper.class);
        job.setReducerClass(FlowReducer.class);

        //4、设置Map端输出KV类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(FlowBean.class);

        //5、设置程序最终输出的KV类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(FlowBean.class);

        //6、设置程序的输入和输出路径
        FileInputFormat.addInputPath(job,new Path("路径写自己的"));
        FileOutputFormat.setOutputPath(job,new Path("路径写自己的"));

        //7、提交Job
        System.exit(job.waitForCompletion(true)?0:1);
    }
}

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/558322.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

如何在宝塔面板后的阿里云服务器运行Flask项目并公网可以访问？

如何在宝塔面板后的阿里云服务器运行Flask项目并公网可以访问？

在你的服务器安装宝塔面板 宝塔面板是服务器运维管理系统 使用宝塔前&#xff1a; 手工输入命令安装各类软件&#xff0c;操作起来费时费力并且容易出错&#xff0c;而且需要记住很多Linux的命令&#xff0c;非常复杂。 使用宝塔后&#xff1a; 2分钟装好面板&#xff0c;一键…
阅读更多...
二维码在中国：学术视角下的创新与实践

二维码在中国：学术视角下的创新与实践

相关统计数据显示&#xff0c;全球每天要扫100亿个二维码&#xff0c;而中国的二维码应用占到全球九成左右&#xff0c;平均每人每天扫码6次以上。 作为万物互联时代的“数字身份证”&#xff0c;二维码在物流运输、生产制造、会议签到、移动支付、餐饮服务、资产管理、市场营…
阅读更多...
活动在线制作投票链接如果制作投票链接线上投票链接制作

活动在线制作投票链接如果制作投票链接线上投票链接制作

近些年来&#xff0c;第三方的微信投票制作平台如雨后春笋般络绎不绝。随着手机的互联网的发展及微信开放平台各项基于手机能力的开放&#xff0c;更多人选择微信投票小程序平台&#xff0c;因为它有非常大的优势。 1.它比起微信公众号自带的投票系统、传统的H5投票系统有可以图…
阅读更多...
简单分享在微信上社区团购小程序制作步骤

简单分享在微信上社区团购小程序制作步骤

打造属于自身的独立小程序拥有更高的自主性&#xff0c;特别是基于得店小程序的创新产品力&#xff0c;从设计上彰显品牌理念&#xff0c;到功能上进行扩展拓宽营销方式&#xff0c;都完全自我掌控&#xff0c; ● 更重要的是&#xff0c;相比于平台上各种复杂的机制&#xff0…
阅读更多...
chatgpt赋能Python-python_headers

chatgpt赋能Python-python_headers

什么是Python Headers&#xff1f; Python Headers是Python程序的一部分&#xff0c;它负责导入Python模块和库。这些头文件包含有关Python模块和库的信息&#xff0c;它们允许程序员编写Python扩展并将它们与Python解释器连接&#xff0c;使其能够正确运行。 Python Headers…
阅读更多...
Linkage Mapper Toolkit中的Pinchpoint Mapper功能解析（含实例分析）

Linkage Mapper Toolkit中的Pinchpoint Mapper功能解析（含实例分析）

✅创作者：陈书予 🎉个人主页：陈书予的个人主页 🍁陈书予的个人社区，欢迎你的加入: 陈书予的社区 🌟专栏地址: Linkage Mapper解密数字世界链接 白尾兔（Lepus townsendii）的Pinchpoint映射器输出和栖息地浓集区效果图： 图片来源地址 <
阅读更多...
Fourier分析入门——第6章——连续函数的Fourier分析

Fourier分析入门——第6章——连续函数的Fourier分析

目录 第 6 章 连续函数的Fourier分析 6.1 引言 6.2 Fourier模型 6.3 求取Fourier系数的实用方法 6.4 相关定理 6.4.1 线性定理(linearity) 6.4.2 平移定理(Shift theorem) 6.4.3 伸缩定理(Scaling theorem) 6.4.4 微分定理(Differentiation theorem) 6.4.5 积分定理…
阅读更多...
【初识C语言】数组

【初识C语言】数组

【初识C语言】数组 一.一维数组1.什么是数组1.一维数组的创建和初始化1.数组如何创建2.数组如何初始化3.用sizeof来求数组的长度 2.一维数组的使用3.一维数组在内存中的存储方式 二. 二维数组1,什么是二维数组2.二维数组的创建3.二维数组的初始化4.二维数组的使用5.二维数组在内…
阅读更多...
GD32F4x 加密（开启读保护功能）

GD32F4x 加密（开启读保护功能）

参考链接1&#xff1a;&#xff08;设置读保护&#xff09; GD32F4x 如何开启读保护功能&#xff08;芯片加密&#xff09;&#xff1f;_EmbeddedOsprey的博客-CSDN博客 参考链接2&#xff1a;读取芯片ID进行加密 《嵌入式 – GD32开发实战指南》第19章 程序加密_gd32大小端…
阅读更多...
A-4D战斗机姿态控制的模型预测控制方法（Matlab代码实现）

A-4D战斗机姿态控制的模型预测控制方法（Matlab代码实现）

目录 &#x1f4a5;1 概述 &#x1f4da;2 运行结果 &#x1f389;3 参考文献 &#x1f468;‍&#x1f4bb;4 Matlab代码 &#x1f4a5;1 概述 飞行器姿态控制通过复杂的动力学来描述&#xff0c;这使得该系统的控制算法的设计变得困难。除此之外&#xff0c;战斗机尤其被设…
阅读更多...
[230531] 托福听力真题｜TPO67配套词汇｜10:23-11:23

[230531] 托福听力真题｜TPO67配套词汇｜10:23-11:23

目录 Con1 Lec1(ecology) Lec2(psychology) Con2 Lec3(art history) 重点复习巩固lecture 两篇Con都为简单等级 Con1 emergency n 紧急情况&#xff1b;突发情况 deal with 处理 dormitory n 宿舍 facility n 设备 supervisor n 监督…
阅读更多...
ov2640子设备视频操作详细分析

ov2640子设备视频操作详细分析

ov2640子设备视频操作详细分析 文章目录 ov2640子设备视频操作详细分析ov2640_subdev_video_ops视频操作ov2640_s_stream开始流ov2640_g_fmt 获取格式ov2640_s_fmt设置格式ov2640_try_fmt尝试格式ov2640_cropcap裁剪能力ov2640_g_crop获取裁剪ov2640_enum_fmt枚举格式ov2640_g_…
阅读更多...
MySql-高级(分库分表问题简析) 学习笔记

MySql-高级(分库分表问题简析) 学习笔记

文章目录 1. 为什么要分库分表&#xff1f;2. 用过哪些分库分表中间件&#xff1f;不同的分库分表中间件都有什么优点和缺点&#xff1f;3. 你们具体是如何对数据库如何进行垂直拆分或水平拆分的&#xff1f;4. 分库分表时&#xff0c;数据迁移方案5. 如何设计可以动态扩容缩容…
阅读更多...
kafka本地测试消息

kafka本地测试消息

一安装JDK 二zookeeper安装 Apache ZooKeeper conf下修改cfg文件名 为zoo.cfg 打开该文件编辑 配置环境变量 右击电脑--属性--高级系统设置--选择环境变量 新建系统变量 变量名&#xff1a;ZOOKEEPER_HOME 变量值为zookeeper的路径 然后编辑环境变量Path 新增%ZOOKEEPER…
阅读更多...
关于信号包络检测

关于信号包络检测

说明 最近在调研学习数字滤波的东西&#xff0c;看到关于信号包络检测这样一个知识点&#xff0c;感觉很有意思&#xff0c;于是想着简单捋清楚并写篇博文装载起来总结一下。本博文与车载毫米波雷达的信号和数据处理无关&#xff0c;所以本文不会放到车载毫米波雷达系列专题规划…
阅读更多...
第十二章 Productions最佳实践 - 命名约定

第十二章 Productions最佳实践 - 命名约定

文章目录 第十二章 Productions最佳实践 - 命名约定命名约定业务服务路由进程路由规则集业务操作数据转换 自定义架构类别 第十二章 Productions最佳实践 - 命名约定 命名约定 本主题解释命名约定的重要性并提供示例。 通常&#xff0c;将逐步开发产品&#xff0c;一次开发一…
阅读更多...
CAD数据库下包含的表记录

CAD数据库下包含的表记录

AutoCAD数据库(AcDb)是一些存储在数据库中的对象的集合。 数据词典&#xff0c;符号表是存储数据库对象的容器&#xff08;Container Object&#xff09;&#xff0c;用于组织和管理数据库对象。这两种容器对象都有与之相关的符号名&#xff0c;用字符来表示。 符号表是固定的…
阅读更多...
chatgpt赋能Python-python_ipython

chatgpt赋能Python-python_ipython

Python和IPython&#xff1a;SEO编程最佳实践 Python 是一种高级动态编程语言&#xff0c;被许多人用于开发各种应用程序和脚本。它是一个易于学习和使用的语言&#xff0c;提供了一些流行的框架和库来减少开发时间。另一方面&#xff0c;IPython 是Python的交互式命令行界面和…
阅读更多...
面试：Babel 的编译过程

面试：Babel 的编译过程

Babel 是一个 JavaScript 编译器&#xff0c;是一个工具链&#xff0c;主要用于将采用 ECMAScript 2015 语法编写的代码转换为向后兼容的 JavaScript 语法&#xff0c;以便能够运行在当前和旧版本的浏览器或其他环境中。 Babel 本质上就是在操作 AST 来完成代码的转译。AST是抽…
阅读更多...
Ubuntu GitLab服务器git-data中tmp_pack_xxx文件占满磁盘

Ubuntu GitLab服务器git-data中tmp_pack_xxx文件占满磁盘

Ubuntu GitLab服务器git-data中tmp_pack_xxx文件占满磁盘 目录 Ubuntu GitLab服务器git-data中tmp_pack_xxx文件占满磁盘一、问题发现二、查找原因三、解决方法 服务器版本&#xff1a; cat /proc/version&#xff1a;Linux version 4.15.0-142-generic (builddlgw01-amd64-039…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023