《代码整洁之道》笔记01——有意义的命名

有意义的命名

名副其实

例如代码中如果出现thsList,theArray这些命名,应该赋予更加具有实际用途的命名。

比如用于保存用户名的数组:usersNameArray

避免误导

避免留下掩藏代码本意的错误线索。例如:

  1. 使用了语言的预留的变量名
  2. 使用了与系统设计有误导的命名:userNameList如果这个变量名不是一个List类型
  3. 使用大写的O小写的l来命名变量,使之看起来像数字的 0,1

有意义的区分

给相似属性设置变量名是,需要从意义上做区分命名:

moneymoneyAmount区别不是很大

getUserInfogetUserMessagegetUsers,这些函数其实有点模糊,程序员怎么能从名字就知道这个函数的具体意义?

可读的命名

例如程序中有一个变量保存着出生日期(年,月,日)的数据使用了yearMonthsDay,虽然这个的确“有意义”,同时也有点“搞笑”,因为它并不符合语法,属于程序员的自造词,所以这也是不太合适。

使用可搜索的名称

有时候在程序编写时,需要使用常量与长字母名称,目的是为了方便搜索,当然这些主要是用于一些比较特别的需求,例如保存者全局状态的标识等。

避免使用编码

尽量避免使用其他编码的语言,这样会给解码带来负担。例如:成员前缀(旧时代的产物),接口实现前缀使用IName中的I是冗杂的。

避免思维映射

程序员应当避免过度“思维上的想当然”,比如在循环计数器上,程序员常用的是i,k,j这些短变量名,当然你也可以使用a,b,c来替代。但是这样比起i,k,j而言,这几个变量能够让其他程序员更明确知道这些变量是计数器变量。专业的程序员知道:明确既是王道,应当编写出其他人能够理解的代码。

类名

开头首字母大写,不应当出现动词。

方法名

方法名应当是动词或者动词短语,避免出现一些俗语,应当以明确为主。

一个概念对应一个词

避免出现一种操作多种词语形容,例如:contraollermanager这2个词语就会令人疑惑,这样应该在一个类中或者一个模块中选择一个来代表一个概念。

避免歧义名称(双关语)

例如给数组增加一项数据,有从头部、尾部、指定位置添加的区别,如果使用add其他程序员需要理解下代码才知道这是头部还是尾部添加,所以可以使用appendinsertunshift等来替代,让其他程序员一目了然。

使用解决方案领域的名称

记住,只有程序员才会阅读你的代码,所以,尽管使用计算机领域的术语、名称、模式名与数学属于吧。

使用源自所涉问题领域的名称

当上一个解决方案领域名称不能满足的时候,就采用从所涉问题领域来进行命名,至少程序员可以通过请教该问题领域专家。

添加有意义的语境

很少有名称能自我说明,可以通过良好命名的类、函数、名称空间来放置名称,给读者添加一定的语境加以声明。如果没这么做,给名称添加前缀是最后一招。

去除无意义的语境

比如:如果你的变量已经在一个GasStationDeluxe类之中了,就无需在所有变量前再添加GSD来表示说明。

小结

命名的进步需要经过一个长久的锻炼才能进步的,并不是通过看几段代码演示即可掌握的好。一个好的命名习惯是写好代码的基础。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 好的,下面是SparkSQL代码笔记03——连接Hive的中文回复: 在SparkSQL中,我们可以通过以下步骤连接Hive: 1. 首先,需要在SparkSession中启用Hive支持,可以使用以下代码: ``` from pyspark.sql import SparkSession spark = SparkSession.builder \ .appName("SparkSQL Hive Example") \ .config("spark.sql.warehouse.dir", "/user/hive/warehouse") \ .enableHiveSupport() \ .getOrCreate() ``` 其中,`enableHiveSupport()`方法启用了Hive支持,`config("spark.sql.warehouse.dir", "/user/hive/warehouse")`指定了Hive元数据存储的目录。 2. 接下来,我们可以使用`spark.sql()`方法执行Hive SQL语句,例如: ``` spark.sql("show databases").show() ``` 这将显示所有的Hive数据库。 3. 如果需要在SparkSQL中访问Hive表,可以使用以下代码: ``` df = spark.sql("select * from my_hive_table") ``` 其中,`my_hive_table`是Hive中的表名。 4. 如果需要在SparkSQL中创建Hive表,可以使用以下代码: ``` spark.sql("create table my_hive_table (id int, name string)") ``` 这将在Hive中创建一个名为`my_hive_table`的表,包含两个列:`id`和`name`。 以上就是连接Hive的基本步骤。需要注意的是,连接Hive需要在Spark集群中安装Hive,并且需要将Hive的JAR包添加到Spark的CLASSPATH中。 ### 回答2: SparkSQL是Apache Spark的一个组件,它提供了用于分布式数据处理的高级SQL查询引擎。SparkSQL支持连接多种数据源,其中之一就是Hive。 如何连接Hive? 在开始连接Hive之前,我们需要确保Hadoop和Hive的配置已经被正确的设置好了,以便Spark能够访问Hive元数据和数据。 首先,我们需要在Spark环境中添加Hive支持。运行下面的代码: `from pyspark.sql import SparkSession spark = SparkSession.builder \ .appName("hive_support") \ .enableHiveSupport() \ .getOrCreate()` 其中,`.enableHiveSupport()`将启用hive支持。 接下来,我们可以使用SparkSession连接Hive。运行下面的代码: `hive_df = spark.sql("SELECT * FROM default.student")` 其中,“default”是Hive的默认数据库,“student”是Hive数据库中的表名。 如果你要访问非默认的Hive数据库,可以使用下面的代码: `hive_df = spark.sql("SELECT * FROM dbname.student")` 其中,“dbname”是非默认的Hive数据库名。 我们还可以使用HiveContext来连接Hive。运行下面的代码: `from pyspark.sql import HiveContext hive_context = HiveContext(sc)` 其中,“sc”是SparkContext对象。 我们可以像这样从Hive中检索数据: `hive_df = hive_ctx.sql("SELECT * FROM default.student")` 现在你已经成功地连接Hive并从中检索了数据,你可以使用SparkSQL的强大功能对数据进行分析。而在连接Hive之外,在SparkSQL中还可以连接其他数据源,包括MySQL、PostgreSQL、Oracle等。 ### 回答3: Spark SQL是一个强大的分布式计算引擎,它可以支持处理多种数据源,并可通过Spark SQL shell、Spark应用程序或JDBC/ODBC接口等方式进行操作。其中,连接Hive是Spark SQL最常用的数据源之一。下面,将介绍如何通过Spark SQL连接Hive。 1、在Spark配置中设置Hive Support 要连接Hive,首先需要在Spark配置中开启Hive Support。在启动Spark Shell时,可以添加如下参数: ``` ./bin/spark-shell --master local \ --conf spark.sql.warehouse.dir="/user/hive/warehouse" \ --conf spark.sql.catalogImplementation=hive \ --conf spark.sql.hive.metastore.version=0.13 \ --conf spark.sql.hive.metastore.jars=maven ``` 这里以本地模式为例,设置Spark SQL的元数据存储在本地文件系统中,设置Hive为catalog实现,以及为Hive Metastore设置版本和JAR文件路径。根据实际情况,还可以指定其他参数,如Hive Metastore地址、数据库名称、用户名和密码等。 2、创建SparkSession对象 在连接Hive之前,需要先创建SparkSession对象。可以通过调用SparkSession.builder()静态方法来构建SparkSession对象,如下所示: ``` val spark = SparkSession.builder() .appName("SparkSQLTest") .config("spark.sql.warehouse.dir", "/user/hive/warehouse") .enableHiveSupport() .getOrCreate() ``` 这里通过builder()方法指定应用程序名称、元数据存储路径以及启用Hive Support,最后调用getOrCreate()方法创建SparkSession对象。 3、通过Spark SQL操作Hive表 通过Spark SQL连接Hive后,就可以通过Spark SQL语句来操作Hive表了。例如,我们可以使用select语句查询Hive表中的数据: ``` val df = spark.sql("SELECT * FROM tablename") df.show() ``` 其中,select语句指定要查询的列和表名,然后通过show()方法来显示查询结果。 除了查询数据之外,Spark SQL还可以通过insertInto语句将数据插入到Hive表中: ``` val data = Seq(("Alice", 25), ("Bob", 30)) val rdd = spark.sparkContext.parallelize(data) val df = rdd.toDF("name", "age") df.write.mode(SaveMode.Append).insertInto("tablename") ``` 这里先创建一个包含数据的RDD对象,然后将其转换为DataFrame对象,并指定列名。接着,通过insertInto()方法将DataFrame对象中的数据插入到Hive表中。 总之,通过Spark SQL连接Hive可以方便地查询、插入、更新和删除Hive表中的数据,从而实现更加灵活和高效的数据处理。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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