系列文章目录
提示:这里可以添加系列文章的所有文章的目录,目录需要自己手动添加
openGauss 增量备份恢复(ps_probackup)
提示:写完文章后,目录可以自动生成,如何生成可参考右边的帮助文档
文章目录
- 系列文章目录
- ` 提示:这里可以添加系列文章的所有文章的目录,目录需要自己手动添加` openGauss 增量备份恢复(ps_probackup)
- 常见功能: • 可用于备份单机数据库或者主节点数据库,为物理备份; • 可备份外部目录的内容,如脚本文件、配置文件、日志文件、dump文件等; • 支持增量备份、定期备份和远程备份; • 可设置备份的留存策略。 Tips: 若要使用PTRACK增量备份,需在postgresql.conf中手动添加参数“enable_cbm_tracking = off”。 openGauss可以动态跟踪页面更改。在每次更新数据页时,openGauss都会在PTRACK位图中进行相应的标记。由于一个页面只需要PTRACK fork中的一个位,这样的位图非常小。 跟踪意味着数据库服务器操作上的一些小开销,但会显著加快增量备份。PTRACK的另一个优点是它为增量备份提供了页面级的粒度。 限制说明: • 备份必须由运行数据库服务器的用户执行; • 备份和恢复的数据库服务器的主版本号必须相同; • 如果通过ssh在远程模式下备份数据库,需要在本地和远程主机安装相同主版本的数据库且建立SSH互信; • 远程模式下只能执行add-instance、backup、restore子命令; • 使用restore子命令前,应先停止gaussdb进程。
- 前言
- 一、pandas是什么?
- 二、使用步骤
- 总结
当openGauss 1.1.0版本于2020年12月31日发布后,有小伙伴说openGauss可以使用gs_probackup实现数据库的增量备份。(实际上该工具应该是在1.0.1版本已经发布)
本人在openGauss的《管理员指南》文档中并没有看到该工具,但在《openGauss工具参考》文档的“系统内部使用的工具”章节看到了该工具的介绍。于是对该工具的使用做了简单测试,并将相关操作总结如下:
常见功能:
• 可用于备份单机数据库或者主节点数据库,为物理备份;
• 可备份外部目录的内容,如脚本文件、配置文件、日志文件、dump文件等;
• 支持增量备份、定期备份和远程备份;
• 可设置备份的留存策略。
Tips:
若要使用PTRACK增量备份,需在postgresql.conf中手动添加参数“enable_cbm_tracking = off”。
openGauss可以动态跟踪页面更改。在每次更新数据页时,openGauss都会在PTRACK位图中进行相应的标记。由于一个页面只需要PTRACK fork中的一个位,这样的位图非常小。
跟踪意味着数据库服务器操作上的一些小开销,但会显著加快增量备份。PTRACK的另一个优点是它为增量备份提供了页面级的粒度。
限制说明:
• 备份必须由运行数据库服务器的用户执行;
• 备份和恢复的数据库服务器的主版本号必须相同;
• 如果通过ssh在远程模式下备份数据库,需要在本地和远程主机安装相同主版本的数据库且建立SSH互信;
• 远程模式下只能执行add-instance、backup、restore子命令;
• 使用restore子命令前,应先停止gaussdb进程。
前言
提示:这里可以添加本文要记录的大概内容:
例如:随着人工智能的不断发展,机器学习这门技术也越来越重要,很多人都开启了学习机器学习,本文就介绍了机器学习的基础内容。
提示:以下是本篇文章正文内容,下面案例可供参考
一、pandas是什么?
示例:pandas 是基于NumPy 的一种工具,该工具是为了解决数据分析任务而创建的。
二、使用步骤
1.引入库
代码如下(示例):
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings('ignore')
import ssl
ssl._create_default_https_context = ssl._create_unverified_context
2.读入数据
代码如下(示例):
data = pd.read_csv(
'https://labfile.oss.aliyuncs.com/courses/1283/adult.data.csv')
print(data.head())
该处使用的url网络请求的数据。
总结
提示:这里对文章进行总结:
例如:以上就是今天要讲的内容,本文仅仅简单介绍了pandas的使用,而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。