Python 3 在 UBUNTU/DEBIAN 系统上进行 MYSQL DATABASE SERVERS 备份

这个简单的备份脚本是为了备份所有数据库和网站服务器上,S3存储,但很容易可以适应大多数备份。

本指南假定你已经有你的目的地 bucket设置和配置。当你设置bucket,你可以设置默认过期的文件。这意味着备份脚本不需要担心清理旧的备份。

该脚本需要一个小的配置文件。我建议这/root/。只有根backuprc和可读性。如果你业务有所不同,你需要更新脚本。内容应该是:

[Config]
aws_access_key_id = <Your AWS Access Key ID>
aws_secret_access_key = <Your AWS Secret Key>
aws_bucket = <Your AWS Bucket ID>
webroot = <The root directory containing your websites, eg. /var/www>

如果您正在考虑这样的备份方式,那请根据你的需要更改脚本中相应的部分参数。保存在一个可执行文件例如/ usr / local / bin /备份

#!/usr/bin/python
# WhatTheHost Backup Script
# Requires boto
# Requires /root/.backuprc config file
 
#Importing the modules
import os
import ConfigParser
import time
from boto.s3.connection import S3Connection
from boto.s3.key import Key
import boto
import tarfile
import logging
import glob
 
logging.basicConfig(level=logging.INFO)
 
# Get DB Details
 
config = ConfigParser.ConfigParser()
config.read("/etc/mysql/debian.cnf")
username = config.get('client', 'user')
password = config.get('client', 'password')
hostname = config.get('client', 'host')
filestamp = time.strftime('%d-%m-%Y')
 
# Get Config
 
config = ConfigParser.ConfigParser()
config.read("/root/.backuprc")
accessid = config.get('Config', 'aws_access_key_id')
accesskey = config.get('Config', 'aws_secret_access_key')
bucketname = config.get('Config', 'aws_bucket')
webroot = config.get('Config', 'webroot')
 
# Connect to s3 Bucket
s3conn = S3Connection(aws_access_key_id=accessid,aws_secret_access_key=accesskey)
bucket = s3conn.get_bucket(bucketname)
 
# Back Up Databases 
print 'Backing up Databases'
database_list_command="mysql -u %s -p%s -h %s --silent -N -e 'show databases'" % (username, password, hostname)
for d in os.popen(database_list_command).readlines():
        d = d.strip()
        if d == 'information_schema':
                continue
        if d == 'performance_schema':
                continue
        filename = "/backups/mysql/%s-%s.sql" % (d, filestamp)
        os.popen("mysqldump --single-transaction -u %s -p%s -h %s -d %s | gzip -c > %s.gz" % (username, password, hostname, d, filename))
        print 'Uploading ' + d + 'to s3'
        k = Key(bucket)
        k.key = "%s-%s.sql.gz" % (d, filestamp)
        k.set_contents_from_filename(filename + '.gz')
        os.remove(filename + '.gz')
 
# Back up Files
dirs = glob.glob(webroot + '/*')
print dirs
for d in dirs:
        path = d.split("/")
        file = path[-1]
        print 'Backing up ' + file
        tar = tarfile.open(os.path.join('/backups/websites/', file + '-' + filestamp + '.tar.bz2'), 'w:bz2')
        tar.add(d)
        tar.close()
        print 'Uploading ' + file + ' to s3'
        k = Key(bucket)
        k.key = file + '-' + filestamp + '.tar.bz2'
        k.set_contents_from_filename('/backups/websites/' + file + '-' + filestamp + '.tar.bz2')
        os.remove('/backups/websites/' + file + '-' + filestamp + '.tar.bz2')

使用这个脚本。它将为每个数据库和网站在你所指定的目录创建一个单独的备份

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值