Spark Core--加强

RDD的持久化

在这里插入图片描述

RDD缓存

当RDD被重复使用，或者计算该RDD比较容易出错，而且需要消耗比较多的资源和时间的时候，我们就可以将该RDD缓存起来。

主要作用: 提升Spark程序的计算效率
注意事项: RDD的缓存可以存储在内存或者是磁盘上，甚至可以存储在Executor进程的堆外内存中。主要是放在内存中，因此缓存的数据是不太稳定可靠。

由于是临时存储，可能会存在丢失，所以缓存操作，并不会将RDD之间的依赖关系给截断掉(丢失掉)，因为当缓存
失效后，可以全部重新计算
缓存的API都是Lazy惰性的，如果需要触发缓存操作，推荐调用count算子，因为运行效率高

设置缓存的API: rdd.cache(): 将RDD的数据缓存储内存中rdd.persist(缓存的级别/位置): 将RDD的数据存储在指定位置手动清理缓存API:rdd.unpersist()
默认情况下，当整个Spark应用程序执行完成后，缓存数据会自动失效，会被自动删除缓存的级别/位置：DISK_ONLY: 只存储在磁盘DISK_ONLY_2: 只存储在磁盘，并且有2个副本DISK_ONLY_3: 只存储在磁盘，并且有3个副本MEMORY_ONLY: 只存储在内存中MEMORY_ONLY_2: 只存储在内存中，并且有2个副本MEMORY_AND_DISK: 存储在内存和磁盘中，先放在内存，再放在磁盘MEMORY_AND_DISK_2: 存储在内存和磁盘中，先放在内存，再放在磁盘，并且有2个副本OFF_HEAP: Executor进程的堆外内存工作中最常用的是: MEMORY_AND_DISK和MEMORY_AND_DISK_2。优先推荐使用MEMORY_AND_DISK

演示缓存的使用操作:

import timefrom pyspark import SparkConf, SparkContext, StorageLevel
import os
import jieba# 绑定指定的Python解释器
os.environ['SPARK_HOME'] = '/export/server/spark'
os.environ['PYSPARK_PYTHON'] = '/root/anaconda3/bin/python3'
os.environ['PYSPARK_DRIVER_PYTHON'] = '/root/anaconda3/bin/python3'# 需要过滤的关键词黑名单
keyword_black_list = ['+','.','的','com']# ctrl+alt+M将代码封装成函数/方法
# 3.2- 需求一：统计每个关键词出现了多少次。先提取需要操作的字段并且分词，这一步类似WordCount中的对每行进行切分处理，再仿照WordCount实现。
def top10_keyword():keyword_rdd = etl_rdd.flatMap(lambda line_tup: list(jieba.cut(line_tup[2])))# print(keyword_rdd.take(10))# 数据结构转变。将单词变成元组# keyword_map_rdd = keyword_rdd.filter(lambda word:word!='+' or word!='.').map(lambda word:(word,1))keyword_map_rdd = keyword_rdd.filter(lambda word: word not in keyword_black_list).map(lambda word: (word, 1))# 分组聚合操作keyword_result_rdd = keyword_map_rdd.reduceByKey(lambda agg, curr: agg + curr)# print(keyword_result_rdd.take(100))# 对结果中关键词的次数降序排序，取TOP10keyword_result = keyword_result_rdd.top(10, key=lambda tup: tup[1])print(keyword_result)# 3.3- 需求二：统计每个用户每个搜索内容点击的次数
def content():# 从原始的6个字段中，提取出2个字段，得到 (用户,搜索内容)new_tup_tmp_rdd = etl_rdd.map(lambda tup: (tup[1], tup[2]))# 数据格式转换"""输入：(张三,鸡你太美) -> hello输出：((张三,鸡你太美),1) -> (hello,1)"""new_tup_rdd = new_tup_tmp_rdd.map(lambda tup: (tup, 1))# new_tup_rdd = new_tup_tmp_rdd.map(lambda tup:(tup[0],tup[1],1))# 分组聚合content_result = new_tup_rdd.reduceByKey(lambda agg, curr: agg + curr)print(content_result.take(10))if __name__ == '__main__':# 1- 创建SparkContextconf = SparkConf().setAppName('sogou_demo').setMaster('local[*]')sc = SparkContext(conf=conf)# 2- 数据输入init_rdd = sc.textFile('file:///export/data/spark_core/data/SogouQ.sample')print("ETL处理前数据条数：",init_rdd.count())# 3- 数据处理# 3.1- ETL：数据的清洗、转换、加载"""split()：默认按照空白字符进行切分。例如：空格、制表符、回车换行符等map和flatMap的主要区别：flatMap对每一个元素处理以后，会将结果打平/压扁到一个更大的容器当中。"""map_rdd = init_rdd.map(lambda line:line.split())# print("调用map算子后的内容：",map_rdd.take(10))# flatmap_rdd = init_rdd.flatMap(lambda line: line.split())# print("调用flatMap算子后的内容：",flatmap_rdd.take(10))# 过滤掉每行中没有6个字段的数据filter_rdd = map_rdd.filter(lambda line_list: len(line_list)==6)# 数据结构转换（为了演示而演示）etl_rdd = filter_rdd.map(lambda line_list:(line_list[0],line_list[1],line_list[2][1:-1], # 省略前后的中括号line_list[3],line_list[4],line_list[5]))# 设置缓存。并且调用count算子触发操作# etl_rdd.cache().count()etl_rdd.persist(storageLevel=StorageLevel.MEMORY_AND_DISK).count()print("ETL处理后数据条数：", etl_rdd.count())# 3.2- 需求一：统计每个关键词出现了多少次# top10_keyword()# 3.3- 需求二：统计每个用户每个搜索内容点击的次数content()time.sleep(20)# 手动清理缓存。你对哪个RDD设置了缓存，那么你就对那个RDD清理缓存。也需要调用count算子触发。etl_rdd.unpersist().count()time.sleep(100)# 5- 释放资源sc.stop()

无缓存的DAG流程图显示：
在这里插入图片描述
有缓存的DAG流程图显示：
在这里插入图片描述
在这里插入图片描述

RDD的checkpoint检查点

RDD缓存主要是将数据存储在内存中，是临时存储，不太稳定，它主要是用来提升程序运行效率的。RDD的checkpoint(检查点)主要是将数据存储在HDFS上，是持久化存储。而HDFS存储数据有3副本的机制，让数据更加安全可靠。

checkpoint认为使用磁盘或者HDFS存储数据之后，数据非常的安全可靠，因此checkpoint会将RDD间的依赖关系给删除/丢弃掉。因此如果checkpoint的数据真的出现了问题，是无法在从头开始计算。

checkpoint主要作用: 提高程序的容错性
注意事项: checkpoint可以将数据存储在磁盘或者HDFS上，主要是将数据存储在HDFS上。

相关API:
sc.setCheckpointDir(存储路径): 设置checkpoint数据存放路径
rdd.checkpoint(): 对指定RDD启用checkpoint
rdd.count(): 触发checkpoint

代码演示:

import timefrom pyspark import SparkConf, SparkContext, StorageLevel
import os
import jieba# 绑定指定的Python解释器
os.environ['SPARK_HOME'] = '/export/server/spark'
os.environ['PYSPARK_PYTHON'] = '/root/anaconda3/bin/python3'
os.environ['PYSPARK_DRIVER_PYTHON'] = '/root/anaconda3/bin/python3'# 需要过滤的关键词黑名单
keyword_black_list = ['+','.','的','com']# ctrl+alt+M将代码封装成函数/方法
# 3.2- 需求一：统计每个关键词出现了多少次。先提取需要操作的字段并且分词，这一步类似WordCount中的对每行进行切分处理，再仿照WordCount实现。
def top10_keyword():keyword_rdd = etl_rdd.flatMap(lambda line_tup: list(jieba.cut(line_tup[2])))# print(keyword_rdd.take(10))# 数据结构转变。将单词变成元组# keyword_map_rdd = keyword_rdd.filter(lambda word:word!='+' or word!='.').map(lambda word:(word,1))keyword_map_rdd = keyword_rdd.filter(lambda word: word not in keyword_black_list).map(lambda word: (word, 1))# 分组聚合操作keyword_result_rdd = keyword_map_rdd.reduceByKey(lambda agg, curr: agg + curr)# print(keyword_result_rdd.take(100))# 对结果中关键词的次数降序排序，取TOP10keyword_result = keyword_result_rdd.top(10, key=lambda tup: tup[1])print(keyword_result)# 3.3- 需求二：统计每个用户每个搜索内容点击的次数
def content():# 从原始的6个字段中，提取出2个字段，得到 (用户,搜索内容)new_tup_tmp_rdd = etl_rdd.map(lambda tup: (tup[1], tup[2]))# 数据格式转换"""输入：(张三,鸡你太美) -> hello输出：((张三,鸡你太美),1) -> (hello,1)"""new_tup_rdd = new_tup_tmp_rdd.map(lambda tup: (tup, 1))# new_tup_rdd = new_tup_tmp_rdd.map(lambda tup:(tup[0],tup[1],1))# 分组聚合content_result = new_tup_rdd.reduceByKey(lambda agg, curr: agg + curr)print(content_result.take(10))if __name__ == '__main__':# 1- 创建SparkContextconf = SparkConf().setAppName('sogou_demo').setMaster('local[*]')sc = SparkContext(conf=conf)# 设置checkpoint路径sc.setCheckpointDir("hdfs://node1:8020/chk")# 2- 数据输入init_rdd = sc.textFile('file:///export/data/spark_core/data/SogouQ.sample')print("ETL处理前数据条数：",init_rdd.count())# 3- 数据处理# 3.1- ETL：数据的清洗、转换、加载"""split()：默认按照空白字符进行切分。例如：空格、制表符、回车换行符等map和flatMap的主要区别：flatMap对每一个元素处理以后，会将结果打平/压扁到一个更大的容器当中。"""map_rdd = init_rdd.map(lambda line:line.split())# print("调用map算子后的内容：",map_rdd.take(10))# flatmap_rdd = init_rdd.flatMap(lambda line: line.split())# print("调用flatMap算子后的内容：",flatmap_rdd.take(10))# 过滤掉每行中没有6个字段的数据filter_rdd = map_rdd.filter(lambda line_list: len(line_list)==6)# 数据结构转换（为了演示而演示）etl_rdd = filter_rdd.map(lambda line_list:(line_list[0],line_list[1],line_list[2][1:-1], # 省略前后的中括号line_list[3],line_list[4],line_list[5]))# 对指定RDD启用checkpointetl_rdd.checkpoint()# 调用count算子，触发checkpoint操作etl_rdd.count()print("ETL处理后数据条数：", etl_rdd.count())# 3.2- 需求一：统计每个关键词出现了多少次# top10_keyword()# 3.3- 需求二：统计每个用户每个搜索内容点击的次数content()time.sleep(1000)# 5- 释放资源sc.stop()

没有设置检查点正常的DAG执行流图：
在这里插入图片描述
设置检查点后：

在这里插入图片描述

缓存和checkpoint的区别

1- 数据存储位置不同
缓存: 存储在内存或者磁盘 或者 堆外内存中
checkpoint检查点: 可以将数据存储在磁盘或者HDFS上, 在集群模式下, 仅能保存到HDFS上

2- 数据生命周期:
缓存: 当程序执行完成后, 或者手动调用unpersist 缓存都会被删除
checkpoint检查点: 即使程序退出后, checkpoint检查点的数据依然是存在的, 不会删除, 需要手动删除

3- 血缘关系:
缓存: 不会截断RDD之间的血缘关系, 因为缓存数据有可能是失效, 当失效后, 需要重新回溯计算操作
checkpoint检查点: 会截断掉依赖关系, 因为checkpoint将数据保存到更加安全可靠的位置, 不会发生数据丢失的问题, 当执行失败的时候, 也不需要重新回溯执行

4- 主要作用不同：
缓存: 提高Spark程序的运行效率
checkpoint检查点: 提高Spark程序的容错性

思考：既然持久化的方案有两种，那么在生产环境中应该使用哪种方案呢?

在同一个项目中，推荐缓存和checkpoint(检查点)同时配合使用。使用顺序如下: 在代码中先设置缓存，再设置checkpoint检查点，然后再一同使用Action算子触发，推荐使用count算子。因为这个顺序，只会有一次IO写的过程。实际过程如下: 程序会优先从缓存中读取数据，如果发现缓存中没有数据。再从checkpoint中读取数据，并且接着将读取到的数据重新在内存中放置一份，后续还是优先从缓存中读取

在这里插入图片描述
测试:

import timefrom pyspark import SparkConf, SparkContext, StorageLevel
import os
import jieba# 绑定指定的Python解释器
os.environ['SPARK_HOME'] = '/export/server/spark'
os.environ['PYSPARK_PYTHON'] = '/root/anaconda3/bin/python3'
os.environ['PYSPARK_DRIVER_PYTHON'] = '/root/anaconda3/bin/python3'# 需要过滤的关键词黑名单
keyword_black_list = ['+','.','的','com']# ctrl+alt+M将代码封装成函数/方法
# 3.2- 需求一：统计每个关键词出现了多少次。先提取需要操作的字段并且分词，这一步类似WordCount中的对每行进行切分处理，再仿照WordCount实现。
def top10_keyword():keyword_rdd = etl_rdd.flatMap(lambda line_tup: list(jieba.cut(line_tup[2])))# print(keyword_rdd.take(10))# 数据结构转变。将单词变成元组# keyword_map_rdd = keyword_rdd.filter(lambda word:word!='+' or word!='.').map(lambda word:(word,1))keyword_map_rdd = keyword_rdd.filter(lambda word: word not in keyword_black_list).map(lambda word: (word, 1))# 分组聚合操作keyword_result_rdd = keyword_map_rdd.reduceByKey(lambda agg, curr: agg + curr)# print(keyword_result_rdd.take(100))# 对结果中关键词的次数降序排序，取TOP10keyword_result = keyword_result_rdd.top(10, key=lambda tup: tup[1])print(keyword_result)# 3.3- 需求二：统计每个用户每个搜索内容点击的次数
def content():# 从原始的6个字段中，提取出2个字段，得到 (用户,搜索内容)new_tup_tmp_rdd = etl_rdd.map(lambda tup: (tup[1], tup[2]))# 数据格式转换"""输入：(张三,鸡你太美) -> hello输出：((张三,鸡你太美),1) -> (hello,1)"""new_tup_rdd = new_tup_tmp_rdd.map(lambda tup: (tup, 1))# new_tup_rdd = new_tup_tmp_rdd.map(lambda tup:(tup[0],tup[1],1))# 分组聚合content_result = new_tup_rdd.reduceByKey(lambda agg, curr: agg + curr)print(content_result.take(10))if __name__ == '__main__':# 1- 创建SparkContextconf = SparkConf().setAppName('sogou_demo').setMaster('local[*]')sc = SparkContext(conf=conf)# 设置checkpoint路径sc.setCheckpointDir("hdfs://node1:8020/chk")# 2- 数据输入init_rdd = sc.textFile('file:///export/data/spark_core/data/SogouQ.sample')print("ETL处理前数据条数：",init_rdd.count())# 3- 数据处理# 3.1- ETL：数据的清洗、转换、加载"""split()：默认按照空白字符进行切分。例如：空格、制表符、回车换行符等map和flatMap的主要区别：flatMap对每一个元素处理以后，会将结果打平/压扁到一个更大的容器当中。"""map_rdd = init_rdd.map(lambda line:line.split())# print("调用map算子后的内容：",map_rdd.take(10))# flatmap_rdd = init_rdd.flatMap(lambda line: line.split())# print("调用flatMap算子后的内容：",flatmap_rdd.take(10))# 过滤掉每行中没有6个字段的数据filter_rdd = map_rdd.filter(lambda line_list: len(line_list)==6)# 数据结构转换（为了演示而演示）etl_rdd = filter_rdd.map(lambda line_list:(line_list[0],line_list[1],line_list[2][1:-1], # 省略前后的中括号line_list[3],line_list[4],line_list[5]))# 先缓存
etl_rdd.persist(storageLevel=StorageLevel.MEMORY_AND_DISK)# 再checkpointetl_rdd.checkpoint()# 最后调用count算子，一同触发etl_rdd.count()print("ETL处理后数据条数：", etl_rdd.count())# 3.2- 需求一：统计每个关键词出现了多少次# top10_keyword()# 3.3- 需求二：统计每个用户每个搜索内容点击的次数content()time.sleep(1000)# 5- 释放资源sc.stop()

DAG有向无环图：
在这里插入图片描述

Spark内核调度

RDD的依赖

RDD依赖：一个RDD的形成可能是由一个或者多个RDD得到的，此时这个RDD和之前的RDD之间产生依赖关系。

在Spark中，RDD之间的依赖关系，主要有二种类型：

  • 窄依赖：
作用: 能够让Spark程序并行计算。也就是一个分区数据计算出现问题以后，其他的分区计算不受到任何影响特点: 父RDD的分区和子RDD的分区关系是一对一的关系。
也就是父RDD分区的数据会整个被下游子RDD的分区接收

在这里插入图片描述

  • 宽依赖：
作用: 划分Stage的重要依据。宽依赖也叫做Shuffle依赖
特点: 父RDD的分区和子RDD的分区关系是一对多的关系。也就是父RDD的分区数据会被分成多份给到下游子RDD的多个分区所接收。注意: 如果有宽依赖，shuffle下游的其他操作，必须等待shuffle执行完成以后才能够继续执行。为了避免数据不完整

在这里插入图片描述

在实际使用中，不需要纠结哪些算子会存在shuffle，以需求为目标**。虽然shuffle的存在会影响一定的效率, 但是以完成任务为准则，**该用那个算子，就使用那个算子即可，不要过分纠结。	算子中一般以ByKey结尾的会发生shuffle；另外是重分区算子会发生shuffle

DAG和Stage

DAG：有向无环图，主要描述一段执行任务，从开始一直往下走，不允许出现回调操作

Spark应用程序中，遇到一个Action算子，就会触发形成一个Job任务的产生。

对于每一个Job的任务，都会产生一个DAG执行流程图，那么这个流程图是如何形成的呢?

层级关系：
1- 一个Spark应用程序 -> 遇到一个Action算子，就会触发形成一个Job任务
2- 一个Job任务只有一个DAG有向无环图
3- 一个DAG有向无环图 -> 有多个Stage
4- 一个Stage -> 有多个Task线程
5- 一个RDD -> 有多个分区
6- 一个分区会被一个Task线程所处理

DAG执行流程图形成和Stage划分：
在这里插入图片描述

1- Spark应用程序遇到Action算子后，就会触发一个Job任务的产生。Job任务会将它所依赖的所有算子全部加载进来，形成一个Stage2- 接着从Action算子从后往前进行回溯，遇到窄依赖就将算子放在同一个Stage当中；如果遇到宽依赖，就划分形成新的Stage。最后一直回溯完成

细化剖析Stage内部的流程：
在这里插入图片描述
默认并行度的值确认:

因为是使用textFile读取HDFS上的文件，因此RDD分区数=max(文件的block块的数量, defaultMinPartition)。继续需要知道defaultMinPartition的值是多少。defaultMinPartition=min(spark.default.parallelism,2)取最小值。最终我们确认spark.default.parallelism的参数值就能够最终确认RDD的分区数有多少个spark.default.parallelism参数值确认过程如下：
1- 如果有父RDD，就取父RDD的最大分区数
2- 如果没有父RDD，根据集群模式进行取值：2.1- 本地模式：机器的最大CPU核数2.2- （了解）Mesos：默认是82.3- 其他模式：所有执行节点上的核总数或2，以较大者为准

Spark Shuffle

Spark中shuffle的发展历程:

1- 在1.1版本以前，Spark采用Hash shuffle (优化前 和 优化后)2- 在1.1版本的时候，Spark推出了Sort Shuffle3- 在1.5版本的时候，Spark引入钨丝计划(优化为主)4- 在1.6版本的时候，将钨丝计划合并到sortShuffle中5- 在2.0版本的时候，将Hash Shuffle移除，将Hash shuffle方案移植到Sort Shuffle

在这里插入图片描述

  • 在优化前的Hash shuffle:
    在这里插入图片描述
存在的问题：上游（map端）的每个Task会产生与下游Task个数相等的小文件个数。这种情况会导致上游有非常多的小文件。另外，下游（reduce端）来拉取文件的时候，会有大量的网络IO和磁盘IO过程，因为要打开和读取多个小文件。
  • 经过优化后的Hash shuffle
    在这里插入图片描述
变成了由每个Executor进程产生与下游Task个数相等的小文件数。这样可以大量减小小文件的产生，以及降低下游拉取文件时候的网络IO和磁盘IO过程
  • Sort shuffle:
    在这里插入图片描述
Sort Shuffle分成了两种: 普通机制和bypass机制。具体使用哪种，由Spark底层决定。普通机制的运行过程: 每个上游Task线程处理数据，数据处理完以后，先放在内存中。接着对内存中的数据进行分区、排序。将内存中的数据溢写到磁盘，形成一个个的小文件。溢写完成以后，会将多个小文件合并成一个大的磁盘文件。并且针对每个大的磁盘文件，会提供一个索引文件。接着是下游Task根据索引文件来读取相应的数据。bypass机制: 就是在普通机制的基础上，省略了排序的过程bypass机制的触发条件是：
1- 上游RDD的分区数量最多不能超过200个
2- 上游不能对数据进行提前聚合操作（因为提前聚合，需要先进行分组操作，而分组的操作实际上是有排序的操作）

Job调度流程

主要是讨论：在Driver内部，是如何调度任务
在这里插入图片描述
1- Driver进程启动后，底层PY4J创建SparkContext顶级对象。在创建该对象的过程中，还会创建另外两个对象，分别是: DAGScheduler和TaskScheduler
DAGScheduler: DAG调度器。将Job任务形成DAG有向无环图和划分Stage的阶段
TaskScheduler: Task调度器。将Task线程分配给到具体的Executor执行

2- 一个Spark程序遇到一个Action算子就会触发产生一个Job任务。SparkContext将Job任务给到DAG调度器，拿到Job任务后，会将Job任务形成DAG有向无环图和划分Stage的阶段。并且会确定每个Stage阶段有多少个Task线程，会将众多的Task线程放到TaskSet的集合中。DAG调度器将TaskSet集合给到Task调度器

3- Task调度器拿到TaskSet集合以后，将Task分配给到给到具体的Executor执行。底层是基于SchedulerBackend调度队列来实现的。

4- Executor开始执行任务。并且Driver会监控各个Executor的执行状态，直到所有的Executor执行完成，就认为任务运行结束

5- 后续过程和之前一样

Spark RDD 并行度

整个Spark应用中，影响并行度的因素有以下两个原因:

  • 1- 资源的并行度: Executor数量 和 CPU核心数 以及 内存的大小
  • 2- 数据的并行度: Task的线程数 和 分区数量
一般将Task线程数设置为CPU核数的2-3倍。另外每个线程分配3-5GB的内存资源。

如何设置并行度:
在这里插入图片描述

说明: spark.default.parallelism该参数是SparkCore中的参数。该参数只会影响shuffle以后的分区数量。
另外该参数对parallelize并行化本地集合创建的RDD不起作用。

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.hqwc.cn/news/337746.html

如若内容造成侵权/违法违规/事实不符，请联系编程知识网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

整形数据在内存中的存储(C语言)

整形数据在内存中的存储(C语言)

整形数据在内存中的存储 1.整形家族2.(原码、反码、补码)基础知识3.大小端3.1 什么是大小端3.2 为什么有大端和小端3.3 一道关于大小端字节序的面试题3.4 关于整形数据存储的题目(7题)3.4.13.4.23.4.33.4.43.4.53.4.63.4.7 4.总结 1.整形家族 signed可省可不省，一般…
阅读更多...
Linux的网络服务DHCP

Linux的网络服务DHCP

一.了解DHCP服务 1.1 DHCP定义 DHCP（动态主机配置协议）是一个局域网的网络协议。指的是由服务器控制一段IP地址范围，客户机登录服务器时就可以自动获得服务器分配的IP地址和子网掩码。默认情况下，DHCP作为Windows Server的一个服…
阅读更多...
搭建Windows版Redis集群

搭建Windows版Redis集群

redis集群 Redis单机版安装 链接: Redis官网下载地址 下载完成后解压至指定目录 打开一个 cmd 窗口 使用 cd 命令切换目录到 E:\Redis\Redis 运行： redis-server.exe redis.windows.confRedis集群的安装 1.构建集群节点目录 创建一个redis-cluster目录用于存放…
阅读更多...
Container ansible disguises local ansible 【容器 ansible 伪装本地 ansible】

Container ansible disguises local ansible 【容器 ansible 伪装本地 ansible】

预备条件： ctr & crictl $ nerdctl & containerd install了解 kubespray 是什么 kubespray 包含 ansible、ansible-playbook命令以及通过kubespray项目安装kubernetes集群的介质。 nerdctl pull quay.io/kubespray/kubespray:v2.23.1 nerdctl save -o qu…
阅读更多...
二叉树基础oj练习（单值二叉树、相同的树、二叉树的前序遍历）

二叉树基础oj练习（单值二叉树、相同的树、二叉树的前序遍历）

讲了这么多数据结构相关的知识(可以看我的数据结构文章专栏): 抓紧刷题巩固一下了 目录 1.单值二叉树 题目描述 思路1 代码1 思路2 代码2 2.相同的树 题目描述 思路 代码 3.二叉树的前序遍历 代码 思路 1.单值二叉树 965. 单值二叉树 - 力扣（LeetCod…
阅读更多...
67个你可能不知道的神奇的浏览器调试技巧

67个你可能不知道的神奇的浏览器调试技巧

67个你可能不知道的神奇的浏览器调试技巧 一系列有用的、不明显的技巧，可帮助您充分利用浏览器的调试器。假设对开发人员工具有中级或更高的了解。 Advanced Conditional Breakpoints 高级条件断点 通过在您意想不到的地方使用具有副作用的表达式，我们…
阅读更多...
探索检索增强生成（RAG）技术的无限可能：Vector+KG RAG、Self-RAG、多向量检索器多模态RAG集成

探索检索增强生成（RAG）技术的无限可能：Vector+KG RAG、Self-RAG、多向量检索器多模态RAG集成

探索检索增强生成（RAG）技术的无限可能：VectorKG RAG、Self-RAG、多向量检索器多模态RAG集成 由于 RAG 的整体思路是首先将文本切分成不同的组块，然后存储到向量数据库中。在实际使用时，将计算用户的问题和文本块的相似…
阅读更多...
unity C#中Array、Stack、Queue、Dictionary、HashSet优缺点和使用场景总结

unity C#中Array、Stack、Queue、Dictionary、HashSet优缺点和使用场景总结

文章目录 数组 (Array)列表 (List<T>)栈 (Stack<T>)队列 (Queue<T>)链表 (LinkedList<T>)哈希表 (Dictionary<TKey, TValue>) 或 HashSet<T>集合 (Collection<T>) 数组 (Array) 优点&#xff1a; 高效访问&#xff1a;通过索引可以…
阅读更多...
OCP NVME SSD规范解读-6.标准日志要求-2

OCP NVME SSD规范解读-6.标准日志要求-2

STD-LOG-12:针对日志存储的类型定义了多种&#xff0c;复位&#xff08;包括控制器复位&#xff0c;NSSR、FLR、PCIe hot reset&#xff09;与断电重启POWER CYCLE有不同的操作要求。 STD-LOG-14: Lockdown命令是NVMe管理命令集中的一个命令&#xff0c;主要用于安全和管理目的…
阅读更多...
太惨了，又一个程序员被渣的开年大瓜

太惨了，又一个程序员被渣的开年大瓜

今天闲暇之余浏览了一下mm&#xff0c;忽然看见一条瓜&#xff1a;某东pdf瓜&#xff0c;一份19页的PDF文件&#xff0c;题为《婚房变赠予&#xff0c;京东渣女出轨连环套设计冤大头程序员》&#xff0c;点进去看了一下&#xff0c;简直炸裂了三观&#xff0c;男同志们一定要保…
阅读更多...
007-可调脉冲数触发之FPGA实现（Zynq也可驱动，带启动停止及完成中断输出）

007-可调脉冲数触发之FPGA实现（Zynq也可驱动，带启动停止及完成中断输出）

文章目录 前言一、设计思路二、代码及仿真1.资源消耗2.具体代码3.仿真波形 总结 前言 此代码是在做显微镜高速聚焦系统中自己写的步进电机电机驱动源码&#xff0c;为了达到最快的驱动速度&#xff0c;因此选用脉冲触发方式进行驱动。在电机驱动的过程中往往需要对脉冲进行使能…
阅读更多...
优雅处理并发：Java CompletableFuture最佳实践

优雅处理并发：Java CompletableFuture最佳实践

第1章&#xff1a;引言 大家好&#xff0c;我是小黑&#xff0c;今天&#xff0c;小黑要和大家聊聊CompletableFuture&#xff0c;这个Java 8引入的强大工具。 在Java传统的Future模式里&#xff0c;咱们都知道&#xff0c;一旦开始了一个异步操作&#xff0c;就只能等它结束…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023