Spark SQL数据源的基本操作

news2024/11/17 21:43:55

文章目录

  • 一、基本操作
  • 二、默认数据源
    • （一）默认数据源Parquet
    • （二）案例演示读取Parquet文件
      • 1、在Spark Shell中演示
        • 练习1、将`student.txt`文件转换成`student.parquet`
        • 练习2、读取`student.parquet`文件得到学生数据帧，并显示数据帧内容
      • 2、在IntelliJ IDEA里演示
  • 三、手动指定数据源
    • （一）format()与option()方法概述
    • （二）案例演示读取不同数据源
      • 1、读取csv文件
      • 2、读取json，保存为parquet
      • 3、读取jdbc数据源，保存为json文件
  • 四、数据写入模式
    • （一）mode()方法
    • （二）枚举类SaveMode
    • （三）案例演示不同写入模式
  • 五、分区自动推断
    • （一）分区自动推断概述
    • （二）分区自动推断演示
      • 1、建四个文件
      • 2、读取表数据
      • 3、输出Schema信息
      • 4、显示数据帧内容
    • （三）分区自动推断注意事项

一、基本操作

Spark SQL提供了两个常用的加载数据和写入数据的方法：load()方法和save()方法。load()方法可以加载外部数据源为一个DataFrame，save()方法可以将一个DataFrame写入指定的数据源。

二、默认数据源

（一）默认数据源Parquet

默认情况下，load()方法和save()方法只支持Parquet格式的文件，Parquet文件是以二进制方式存储数据的，因此不可以直接读取，文件中包括该文件的实际数据和Schema信息，也可以在配置文件中通过参数spark.sql.sources.default对默认文件格式进行更改。Spark SQL可以很容易地读取Parquet文件并将其数据转为DataFrame数据集。

（二）案例演示读取Parquet文件

执行命令： cd $SPARK_HOME/examples/src/main/resources，查看Spark的样例数据文件users.parquet
在这里插入图片描述

用cat命令显示users.parquet文件内容，只会显示乱码
启动hdfs：start-dfs.sh
在这里插入图片描述

将数据文件users.parquet上传到HDFS的/datasource/input目录
在这里插入图片描述

1、在Spark Shell中演示

启动spark服务：start-all.sh
在这里插入图片描述

启动Spark Shell，执行命令：spark-shell --master spark://master:7077
在这里插入图片描述
执行命令：val userdf = spark.read.load("hdfs://master:9000/datasource/input/users.parquet")
在这里插入图片描述
执行命令：userdf.show，查看数据帧内容
在这里插入图片描述
执行命令：userdf.printSchema，查看数据帧模式
在这里插入图片描述
执行命令：userdf.select("name", "favorite_color").write.save("hdfs://master:9000/datasource/output")，对数据帧指定列进行查询，查询结果依然是数据帧，然后通过write成员的save()方法写入HDFS指定目录
在这里插入图片描述

查看HDFS上的输出结果
在这里插入图片描述

除了使用select()方法查询外，也可以使用SparkSession对象的sql()方法执行SQL语句进行查询，该方法的返回结果仍然是一个DataFrame。

基于数据帧创建临时视图，执行命令：userdf.createTempView("t_user")
在这里插入图片描述
执行SQL查询，将结果写入HDFS，执行命令：spark.sql("select name, favorite_color from t_user").write.save("hdfs://master:9000/datasource/output2")
在这里插入图片描述
查看HDFS上的输出结果
在这里插入图片描述

练习1、将student.txt文件转换成student.parquet

解决思路：将student.txt转成studentDF，利用数据帧的save()方法保存到/datasource/output3目录，然后将文件更名复制到/datasource/input目录

得到学生数据帧 - studentDF
在这里插入图片描述

val ds = spark.read.textFile("hdfs://master:9000/student/input/student.txt")
case class Student(id: Int, name: String, gender: String, age: Int)
import spark.implicits._
val studentDS = ds.map(line => {
      val fields = line.split(",")
      val id = fields(0).toInt
      val name = fields(1)
      val gender = fields(2)
      val age = fields(3).toInt
      Student(id, name, gender, age)
   }
)
val studentDF = studentDS.toDF()
studentDF.show

将学生数据帧保存为parquet文件，studentDF.write.save(“hdfs://master:9000/datasource/output3”)
在这里插入图片描述
查看生成的parquet文件
在这里插入图片描述
复制parquet文件到/datasource/input目录
在这里插入图片描述

练习2、读取student.parquet文件得到学生数据帧，并显示数据帧内容

执行命令：val studentDF = spark.read.load(“hdfs://master:9000/datasource/input/student.parquet”)
在这里插入图片描述
执行命令：studentDF.show
在这里插入图片描述

2、在IntelliJ IDEA里演示

创建Maven项目
在这里插入图片描述

设置项目相关信息
在这里插入图片描述单击【Finish】按钮
在这里插入图片描述
将java目录改成scala目录
在这里插入图片描述

在pom.xml文件里添加相关依赖，设置源程序文件夹

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0</modelVersion>

    <groupId>net.army.sql</groupId>
    <artifactId>SparkSQLDemo</artifactId>
    <version>1.0-SNAPSHOT</version>

    <dependencies>
        <dependency>
            <groupId>org.scala-lang</groupId>
            <artifactId>scala-library</artifactId>
            <version>2.12.15</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.12</artifactId>
            <version>3.1.3</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-sql_2.12</artifactId>
            <version>3.1.3</version>
        </dependency>
    </dependencies>
    <build>
        <sourceDirectory>src/main/scala</sourceDirectory>
    </build>
    
</project>

在resources目录里添加日志属性文件
在这里插入图片描述

log4j.rootLogger=ERROR, stdout, logfile
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/spark.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n

在resources目录里添加HFDS配置文件
在这里插入图片描述

<?xml version="1.0" encoding="UTF-8"?>
<configuration>
    <property>
        <description>only config in clients</description>
        <name>dfs.client.use.datanode.hostname</name>
        <value>true</value>
    </property>
</configuration>

创建net.army.sql.day01包，在包里创建ReadParquetFile对象
在这里插入图片描述

package net.army.sql.day01

import org.apache.spark.sql.SparkSession

/**
 * 功能：读取Parquet文件
 * 作者：梁辰兴
 * 日期：2023年06月12日
 */
object ReadParquetFile {
  def main(args: Array[String]): Unit = {
    // 创建或得到Spark会话对象
    val spark = SparkSession.builder()
      .appName("ReadParquetFile")
      .master("local[*]")
      .getOrCreate()
    // 加载student.parquet文件，得到数据帧
    val studentDF = spark.read.load("hdfs://master:9000/datasource/input/student.parquet")
    // 显示学生数据帧内容
    studentDF.show
    // 查询20岁以上的女生
    val girlDF = studentDF.filter("gender = '女' and age > 20")
    // 显示女生数据帧内容
    girlDF.show
    // 保存查询结果到HDFS（保证输出目录不存在）
    girlDF.write.save("hdfs://master:9000/datasource/output")
    // 关闭Spark会话对象
    spark.stop()
  }
}

运行程序，查看控制台结果

三、手动指定数据源

（一）format()与option()方法概述

使用format()方法可以手动指定数据源。数据源需要使用完全限定名（例如org.apache.spark.sql.parquet），但对于Spark SQL的内置数据源，也可以使用它们的缩写名（JSON、Parquet、JDBC、ORC、Libsvm、CSV、Text）。

通过手动指定数据源，可以将DataFrame数据集保存为不同的文件格式或者在不同的文件格式之间转换。

在指定数据源的同时，可以使用option()方法向指定的数据源传递所需参数。例如，向JDBC数据源传递账号、密码等参数。

（二）案例演示读取不同数据源

1、读取csv文件

执行命令：cd $SPARK_HOME/examples/src/main/resources，查看Spark的样例数据文件people.csv
在这里插入图片描述
将people.csv文件上传到HDFS的/datasource/input目录，然后查看文件内
在这里插入图片描述
在Spark Shell里，执行命令：val peopleDF = spark.read.format(“csv”).load(“hdfs://master:9000/datasource/input/people.csv”)，读取人员csv文件，得到人员数据帧
在这里插入图片描述执行命令：peopleDF.show，查看人员数据帧内容
在这里插入图片描述

大家可以看到，people.csv文件第一行是字段名列表，但是转成数据帧之后，却成了第一条记录，这样显然是不合理的，怎么办呢？就需要用到option()方法来传递参数，告诉Spark第一行是表头header，而不是表记录。

执行命令：val peopleDF = spark.read.format(“csv”).option(“header”, “true”).load(“hdfs://master:9000/datasource/input/people.csv”)
在这里插入图片描述执行命令：peopleDF.show，查看人员数据帧内容
在这里插入图片描述
由于csv文件默认分隔符是逗号，而people.csv的分隔符是分号，因此要利用option(“delimiter”, “;”)告诉Spark

执行命令：val peopleDF = spark.read.format(“csv”).option(“header”, “true”).option(“delimiter”, “;”).load(“hdfs://master:9000/datasource/input/people.csv”)
在这里插入图片描述执行命令：peopleDF.show，查看人员数据帧内容
在这里插入图片描述

2、读取json，保存为parquet

查看people.json文件
在这里插入图片描述
将people.json上传到HDFS的/datasource/input目录，并查看其内容
在这里插入图片描述在Spark Shell里，执行命令：val peopleDF = spark.read.format(“json”).load(“hdfs://master:9000/datasource/input/people.json”)
在这里插入图片描述

执行命令：peopleDF.show
在这里插入图片描述
执行命令：peopleDF.select(“name”, “age”).write.format(“parquet”).save(“hdfs://master:9000/datasource/output4”) （注意：format(“parquet”)其实可以省掉的）
在这里插入图片描述
查看生成的parquet文件（/datasource/output4/part-00000-a1e62c69-59e5-40b6-8391-89bdfffe61ff-c000.snappy.parquet）
在这里插入图片描述
将该parquet文件更名拷贝到/datasource/input目录，执行命令： hdfs dfs -cp /datasource/output4/part-00000-d0adfd21-9f55-49fc-a3dd-93bd313ea8e2-c000.snappy.parquet /datasource/input/people.parquet
在这里插入图片描述
现在读取/datasource/input/people.parquet文件得到人员数据帧
在这里插入图片描述
查看人员数据帧内容
在这里插入图片描述

3、读取jdbc数据源，保存为json文件

启动master的mysql服务
在这里插入图片描述

在Navicat创建mastermysql连接，连接到master虚拟机上安装的MySQL
在这里插入图片描述
查看student数据库里的user表
在这里插入图片描述
执行命令

val userDF = spark.read.format("jdbc")
  .option("url", "jdbc:mysql://master:3306/student")
  .option("driver", "com.mysql.jdbc.Driver")
  .option("dbtable", "user")  
  .option("user", "root")  
  .option("password", "")
  .load()

结果报错，没有找到数据库驱动程序
在这里插入图片描述
上传数据驱动程序到$SPARK_HOME/jars目录（每个节点都需要上传）
在这里插入图片描述

查看上传的数据库驱动程序
在这里插入图片描述

执行命令

val userDF = spark.read.format("jdbc")
  .option("url", "jdbc:mysql://master:3306/student")
  .option("driver", "com.mysql.jdbc.Driver")
  .option("dbtable", "user")  
  .option("user", "root")  
  .option("password", "")
  .load()

执行之后会有一个警告信息，通过设置useSSL=true来消除
在这里插入图片描述

执行命令

val userDF = spark.read.format("jdbc")
  .option("url", "jdbc:mysql://master:3306/student?useSSL=false")
  .option("driver", "com.mysql.jdbc.Driver")
  .option("dbtable", "user")  
  .option("user", "root")  
  .option("password", "")
  .load()

执行之后得到用户数据帧
在这里插入图片描述
执行命令：userDF.show，查看用户数据帧内容
在这里插入图片描述
执行命令：userDF.write.format(“json”).save(“hdfs://master:9000/datasource/output5”)
在这里插入图片描述
在虚拟机slave1查看生成的json文件，执行命令：hdfs dfs -cat /datasource/output5/*
在这里插入图片描述

四、数据写入模式

（一）mode()方法

在写入数据时，可以使用mode()方法指定如何处理已经存在的数据，该方法的参数是一个枚举类SaveMode。

使用SaveMode类，需要import org.apache.spark.sql.SaveMode;

（二）枚举类SaveMode

SaveMode.ErrorIfExists：默认值。当向数据源写入一个DataFrame时，如果数据已经存在，就会抛出异常。

SaveMode.Append：当向数据源写入一个DataFrame时，如果数据或表已经存在，会在原有的基础上进行追加。

SaveMode.Overwrite：当向数据源写入一个DataFrame时，如果数据或表已经存在，就会将其覆盖（包括数据或表的Schema）。

SaveMode.Ignore：当向数据源写入一个DataFrame时，如果数据或表已经存在，就不会写入内容，类似SQL中的CREATE TABLE IF NOT EXISTS。

（三）案例演示不同写入模式

查看数据源：people.json
在这里插入图片描述
查询该文件name里，采用覆盖模式写入/result，创建/result目录
在这里插入图片描述
执行命令：val peopledf = spark.read.format(“json”).load(“hdfs://master:9000/datasource/input/people.json”)
在这里插入图片描述
导入SaveMode类，执行命令：
import org.apache.spark.sql.SaveMode;
peopledf.select(“name”).write.mode(SaveMode.Overwrite).format(“json”).save(“hdfs://master:9000/result”)
在这里插入图片描述
在slave1虚拟机上查看生成的json文件
在这里插入图片描述
查询age列，以追加模式写入HDFS的/result目录，执行命令：peopledf.select(“age”).write.mode(SaveMode.Append).format(“json”).save(“hdfs://master:9000/result”)
在这里插入图片描述
在slave1虚拟机上查看追加生成的json文件
在这里插入图片描述

五、分区自动推断

（一）分区自动推断概述

表分区是Hive等系统中常用的优化查询效率的方法（Spark SQL的表分区与Hive的表分区类似）。在分区表中，数据通常存储在不同的分区目录中，分区目录通常以“分区列名=值”的格式进行命名。

以people作为表名，gender和country作为分区列，给出存储数据的目录结构
在这里插入图片描述

（二）分区自动推断演示

1、建四个文件

在master虚拟机上/home里创建如下目录及文件，其中目录people代表表名，gender和country代表分区列，people.json存储实际人口数据

在这里插入图片描述


{"name": "Wiek", "age": 85}
{"name": "Jenny", "age": 14}
{"name": "Alacn", "age": 35}

{"name": "张三丰", "age": 25}
{"name": "李诗琪", "age": 56}
{"name": "史蒂夫", "age": 38}

{"name": "王五", "age": 45}
{"name": "李四", "age": 44}
{"name": "张三", "age": 35}

{"name": "Alice", "age": 25}
{"name": "Mike", "age": 24}
{"name": "Linda", "age": 35}

2、读取表数据

执行命令：spark-shell，启动Spark Shell
在这里插入图片描述

执行命令：val peopledf = spark.read.format(“json”).load(“file:///home/people”)
在这里插入图片描述

3、输出Schema信息

执行命令：peopledf.printSchema()
在这里插入图片描述

4、显示数据帧内容

执行命令：peopledf.show()
在这里插入图片描述
从输出的Schema信息和表数据可以看出，Spark SQL在读取数据时，自动推断出了两个分区列gender和country，并将这两列的值添加到了数据帧peopledf中。

（三）分区自动推断注意事项

分区列的数据类型是自动推断的，目前支持数字、日期、时间戳、字符串数据类型。若不希望自动推断分区列的数据类型，则可以在配置文件中将spark.sql.sources.partitionColumnTypeInference.enabled的值设置为false（默认为true，表示启用）。当禁用自动推断时，分区列将使用字符串数据类型。

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/654780.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

MQ消息传递方式

MQ消息传递方式

发布订阅模式 发布订阅模式有点类似于我们日常生活中订阅报纸。每年到年尾的时候&#xff0c;邮局就会发一本报纸集合让我们来选择订阅哪一个。在这个表里头列了所有出版发行的报纸&#xff0c;那么对于我们每一个订阅者来说&#xff0c;我们可以选择一份或者多份报纸。比如北…
阅读更多...
ESP32(MicroPython) 矩阵键盘电子琴+RGB灯

ESP32(MicroPython) 矩阵键盘电子琴+RGB灯

本程序相比上一个矩阵键盘电子琴程序增加了一个矩阵键盘&#xff0c;并把三个矩阵键盘的同一行相连&#xff0c;扫描周期缩短到40ms。增加RGB灯带&#xff0c;每个周期刷新一个灯&#xff08;随机颜色&#xff09;。 代码如下 #导入Pin模块 from machine import Pin import t…
阅读更多...
Django rest framework基本知识

Django rest framework基本知识

使用pycharm生成Django项目后&#xff0c;会生成工程目录和app目录 工程目录下5个文件&#xff0c;settings.py是全局配置相关的 urls.py是路有相关的 app相关的目录 models.py 数据库ORM对应的模型类 serializers.py 序列化与反序列化处理 views.py 根据request进行…
阅读更多...
线性神经网络

线性神经网络

线性神经网络 我们应该从线性神经网络开始&#xff0c;去逐步了解深度神经网络&#xff08;深度学习&#xff09;的各种复杂结构和底层原理。 1. 线性回归 用一个线性的模型来拟合数据与它们的标签之间的映射&#xff0c;用于回归问题。 1.1 构造线性模型&#xff1a; y ω…
阅读更多...
Fiddler Orchestra用户指南：打造高效协同调试利器

Fiddler Orchestra用户指南：打造高效协同调试利器

引言&#xff1a;今天Fiddler更新到5.0版本后&#xff0c;小酋不经意间晃到了“Fiddler Orchestra”选项卡。爱折腾的小酋赶紧链接到官方用户指南一睹为快&#xff0c;看看这是什么东西&#xff0c;实现了什么新功能。下面是小酋看后做的一个翻译抢先版。 这是了解和设置Fiddl…
阅读更多...
i5 3470+XSB75M-PK+HD 7750安装黑苹果macOS Big Sur 11.7.7

i5 3470+XSB75M-PK+HD 7750安装黑苹果macOS Big Sur 11.7.7

我本次使用的是 HD 7750 进行安装黑苹果&#xff08;闲鱼80元买的&#xff09;&#xff0c;这款显卡直接就是免驱&#xff0c;最高可以安装的版本是 macOS Monterey &#xff0c;但是建议安装至 macOS Big Sur 以获得较好的体验。 EFI&#xff08;OC引导&#xff09; EFI.zip …
阅读更多...
RabbitMQ高阶使用队列实现

RabbitMQ高阶使用队列实现

目录 1 从打车开始说起1.1 需要解决的问题1.1.1 打车排队 2 排队人数2.1 需求2.1.1 需求分析 2.2 实现方案2.2.1 MySQL2.2.1.1 入队2.2.1.2 获取进度2.2.1.3 遇到问题 2.2.3 Redis Zset 2.3 排队人数架构介绍2.4 数据结构2.4.2 zset结构2.4.1 雪花算法 2.5 功能实现2.5.1 派单2…
阅读更多...
Java 实现反转一个链表

Java 实现反转一个链表

文章目录 思路核心四步骤循环移动代码实现 思路 翻转指的是改变链表中结点的指向&#xff0c;而不是将它的数据反转。 上图展示出的就是一个反转前的链表&#xff0c;下图展示一个反转后的链表。 根据上图可以看出&#xff0c;结点的地址和数据都没有改变&#xff0c;改变的…
阅读更多...
Java SSM框架基础面试题

Java SSM框架基础面试题

一、Spring面试题 1、Spring 在ssm中起什么作用&#xff1f; Spring&#xff1a;轻量级框架作用&#xff1a;Bean工厂&#xff0c;用来管理Bean的生命周期和框架集成。两大核心&#xff1a; 1、IOC/DI(控制反转/依赖注入) &#xff1a;把dao依赖注入到service层&#xff0c;s…
阅读更多...
Java SSM框架面试题

Java SSM框架面试题

sql 中 ${} 和 #{}的区别&#xff1a; #将传入的参数都当成一个字符串&#xff0c;会对自动传入的数据加一个双引号。如&#xff1a;order by #{age}&#xff0c;如果传入的值是18,那么解析成sql时的值为order by “18”, 如果传入 age ,则会解析为 order by “age”将传入的参…
阅读更多...
6.S081——Lab4——trap lab

6.S081——Lab4——trap lab

0.briefly speaking 这是MIT 6.S081 Fall 2021课程的第四个实验&#xff0c;它是有关陷阱机制的一系列小问题&#xff0c;如果对陷阱机制仍有疑问&#xff0c;可以参考我之前写的其他3篇博客&#xff0c;它们很好地解释了一些背景知识&#xff1a; 用户态陷阱(以系统调用为例…
阅读更多...
oracle 19c 部署

oracle 19c 部署

安装前的基础环境和用户配置等参考rac部署篇oracle rac部署 一、资源准备 将数据库软件上传解压到oracle的家目录(注意解压后的用户属组) [oraclerac1 ~]$ unzip -d $ORACLE_HOME xxxx.zip 二、在xmanager或者vnc中执行安装 [oraclerac1 db_1]$ ./runInstaller 先安装一个数据…
阅读更多...
SSM 框架常见面试题

SSM 框架常见面试题

1 Spring面试题 1、Spring 在ssm中起什么作用&#xff1f; Spring&#xff1a;轻量级框架 作用&#xff1a;Bean工厂&#xff0c;用来管理Bean的生命周期和框架集成。 两大核心&#xff1a;1、IOC/DI(控制反转/依赖注入) &#xff1a;把dao依赖注入到service层&#xff0c;ser…
阅读更多...
5.3、Dockerfile内命令

5.3、Dockerfile内命令

【docker】CMD ENTRYPOINT 区别 终极解读&#xff01;_绝世好阿狸的博客-CSDN博客 0、上下文路径 $ docker build -t nginx:v3 . # . 是上下文路径&#xff0c;那么什么是上下文路径呢&#xff1f; 上下文路径&#xff1a;指docker在构建镜像时想使用本机的文件&#xff0c;…
阅读更多...
缓冲区溢出与防护

缓冲区溢出与防护

目录 一、初识缓冲区溢出 1.1 缓冲区溢出概念 1.2 缓存区 1.3 缓存区溢出的危害 1.4 缓存区溢出事件 二、缓存区溢出攻击 2.1 溢出原理 2.2 典型的寄存器 三、缓存区溢出防御 3.1 缓冲区溢出攻击目标 3.2 缓冲区溢出条件 3.3 缓冲区溢出防范 3.3.1 程序设计过程中…
阅读更多...
【后端开发】狂神笔记：Redis进阶

【后端开发】狂神笔记：Redis进阶

文章目录 1 Redis事务1.1 Redis事务简介1.2 Redis事务操作过程1.2.1 开启事务--->执行事务1.2.2 取消事务(discurd) 1.3 事务错误1.3.1 编译期异常1.3.2 运行时异常 2 Redis实现乐观锁2.1 乐观锁和悲观锁2.2 正常执行2.3 测试异常执行 3 Jedis3.1 导入依赖3.2 编码测试3.2.1…
阅读更多...
青翼科技自研模块化互联产品 • 模拟采集FMC子卡【产品资料】

青翼科技自研模块化互联产品 • 模拟采集FMC子卡【产品资料】

FMC122是一款基于FMC标准规范&#xff0c;实现2路16-bit、1GSPS ADC同步采集&#xff0c;2路16-bit 2.5GSPS DAC同步回放功能子卡模块。该模块遵循VITA57.1标准&#xff0c;可直接与FPGA载卡配合使用&#xff0c;板卡ADC器件采用TI的ADS54J60芯片&#xff0c;该芯片具有两个模拟…
阅读更多...
EasyExcel实现execl导入导出

EasyExcel实现execl导入导出

引言 在实际开发中&#xff0c;处理 Excel 文件是一个常见的需求。EasyExcel 是一个基于 Java 的开源库&#xff0c;提供了简单易用的 API&#xff0c;可以方便地读取和写入 Excel 文件。本文将介绍如何使用 EasyExcel 实现 Excel 导入功能&#xff0c;以及一些相关的技巧和注…
阅读更多...
java的线程池

java的线程池

一、线程池概念 若不使用线程池&#xff0c;在新创建的线程start()后执行完run()就自动销毁了&#xff0c;造成了资源的浪费。使用线程池可以暂时存储线程。 线程池的主要核心原理&#xff1a; 线程池的代码实现&#xff1a; 注意&#xff1a;在实际开发中线程池并不会关闭&a…
阅读更多...
【MySQL】一文带你了解排序检索数据

【MySQL】一文带你了解排序检索数据

&#x1f3ac; 博客主页&#xff1a;博主链接 &#x1f3a5; 本文由 M malloc 原创&#xff0c;首发于 CSDN&#x1f649; &#x1f384; 学习专栏推荐&#xff1a;LeetCode刷题集&#xff01; &#x1f3c5; 欢迎点赞 &#x1f44d; 收藏 ⭐留言 &#x1f4dd; 如有错误敬请指…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023