qq_43797434的博客

Spark Streaming 和 Flink 详细对比第一部分 编程模型对比1.1运行角色Spark Streaming 运行时的角色(standalone 模式)主要有：1）Master:主要负责整体集群资源的管理和应用程序调度；2）Worker:负责单个节点的资源管理，driver 和 executor 的启动等；3）Driver:用户入口程序执行的地方，即 SparkContext 执行的地方，主要是 DAG 生成、stage 划分、task 生成及调度；4）Executor:负责执行

Redis五种常用数据结构及操作key操作操作注释KEYS PATTERN查找符合格式的Key(*代替多个字符，?代替一个字符)TYPE KEY返回KEY对应的值的类型MOVE KEY DB把一组键值对数据移动到另一个数据库中DEL KEY [KEY …]根据KEY进行删除，至少要指定一个KEYEXISTS KEY检查指定的KEY是否存在。指定一个KEY时，存在返回1，不存在返回0。可以指定多个，返回存在的KEY的数量RANDOMKEY在现有

第七章 模式匹配Scala中的模式匹配类似与Java中的switch语法，但是scala从语法中补充了更多的功能，所以更加强大。7.1 基本语法模式匹配语法中，采用match关键字声明，每个分支采用case关键字进行声明，当需要匹配时，会从第一个case分支开始，如果匹配成功，那么执行对应的逻辑代码，如果匹配不成功，继续执行下一个分支进行判断。如果所有case都不匹配，那么会执行case _分支，类似于Java中default语句。val student1 = Student1("alice", 1

第六章 集合6.1集合简介1）Scala的集合有三大类：序列Seq、集Set、映射Map，所有的集合都扩展自Iterable特质。2）对于几乎所有的集合类，Scala都同时提供了可变和不可变的版本，分别位于以下两个包不可变集合：scala.collection.immutable可变集合： scala.collection.mutable​ 3）Scala不可变集合，就是指该集合对象不可修改，每次修改就会返回一个新对象，而不会对原对象进行修改。类似于java中的String对象4）可变集合，

第五章 面向对象Scala的面向对象思想和Java的面向对象思想和概念是一致的。Scala中语法和Java不同，补充了更多的功能。5.1 Scala包1）基本语法package 包名.类名2）Scala包的三大作用（和Java一样）（1）区分相同名字的类（2）当类很多时，可以很好的管理类（3）控制访问范围5.1.1 包的命名1）命名规则只能包含数字、字母、下划线、小圆点.，但不能用数字开头，也不要使用关键字。2）案例实操demo.class.exec1 //错误，因为 clas

第四章 函数式编程4.1 函数基础4.1.1 函数基本语法1）基本语法2）案例实操 // 定义函数 def sayHi(name: String): Unit ={ println(s"hi, $name") } // 函数调用 sayHi("DongLiang")4.1.2 函数与方法的区别1）核心概念（1）为完成某一功能的程序语句的集合，称为函数。（2）类中的函数称之方法。2）案例实操（1）Scala语言可以在任何的语法结构中声明任

第一章 变量和数据类型1.1 注释Scala的注释与Java的注释完全相同，分为单行注释，多行注释，文档注释代码规范（1）使用一次tab操作，实现缩进，默认整体向右边移动，用shift+tab整体向左移（2）或者使用ctrl + alt + L来进行格式化（3）运算符两边习惯性各加一个空格。比如：2 + 4 * 5。（4）一行最长不超过80个字符，超过的请使用换行展示，尽量保持格式优雅1.2 变量和常量常量表示知行过程中不可改变的变量在Java中变量声明：变量类型 变量名称 = 初始值

第五章 HBase优化5.1 预分区每一个region维护着startRow与endRowKey，如果加入的数据符合某个region维护的rowKey范围，则该数据交给这个region维护。那么依照这个原则，我们可以将数据所要投放的分区提前大致的规划好，以提高HBase性能。1.手动设定预分区create 'staff1','info',SPLITS => ['1000','2000','3000','4000']2.生成16进制序列预分区create 'staff2','info',{

第一章 HBase简介1.1 HBase定义HBase是一种分布式、可扩展、支持海量数据存储的NoSQL数据库。1.2 HBase数据模型逻辑上，HBase的数据模型同关系型数据库很类似，数据存储在一张表中，有行有列。但从HBase的底层物理存储结构（K-V）来看，HBase更像是一个multi-dimensional map。1.2.1 HBase逻辑结构1.2.2 HBase物理存储结构1.2.3 数据模型1）Name Space命名空间，类似于关系型数据库的database概念，

总结Linux&Shell相关总结Linux常用命令序号命令命令解释1top查看内存2df -h查看磁盘存储情况3iotop查看磁盘IO读写(yum install iotop安装）4iotop -o直接查看比较高的磁盘读写程序5netstat -tunlp | grep 端口号查看端口占用情况6uptime查看报告系统运行时长及平均负载7ps -aux查看进程Shell常用工具1）awk、sed、c

第一章 Azkaban概述1.1 为什么需要工作流调度系统1）一个完整的数据分析系统通常都是由大量任务单元组成：Shell脚本程序，Java程序，MapReduce程序、Hive脚本等2）各任务单元之间存在时间先后及前后依赖关系3）为了很好地组织起这样的复杂执行计划，需要一个工作流调度系统来调度执行；1.2 常见工作流调度系统1）简单的任务调度：直接使用Linux的Crontab来定义；2）复杂的任务调度：开发调度平台或使用现成的开源调度系统，比如Azkaban、Ooize、Airflow

第四章 Kafka API4.1 Producer API4.1.1 消息发送流程Kafka的Producer发送消息采用的是异步发送的方式。在消息发送的过程中，涉及到了两个线程——main线程和Sender线程，以及一个线程共享变量——RecordAccumulator。main线程将消息发送给RecordAccumulator，Sender线程不断从RecordAccumulator中拉取消息发送到Kafka broker。相关参数：batch.size：只有数据积累到batch.size之

第一章 Kafka概述Kafka是一个分布式的基于发布/订阅模式的消息队列（Message Queue），主要应用于大数据实时处理领域。1.1 消息队列1.1.1 传统消息队列的应用场景使用消息队列的好处1）解耦允许你独立的扩展或修改两边的处理过程，只要确保它们遵守同样的接口约束。2）可恢复性系统的一部分组件失效时，不会影响到整个系统。消息队列降低了进程间的耦合度，所以即使一个处理消息的进程挂掉，加入队列中的消息仍然可以在系统恢复后被处理。3）缓冲有助于控制和优化数据流经过系统的速度，

第一章 Flume概述1.1 Flume定义Flume是Cloudera提供的一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统。Flume基于流式架构，灵活简单。Flume最主要的作用就是，实时读取服务器本地磁盘的数据，将数据写入到HDFS1.2 Flume基础架构Flume组成架构如下图所示：[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-S4DIIAnX-1598437334965)(D:\CSDN\assets\flume基础架构.png)]

常用函数常用日期函数1.unix_timestamp:返回当前或指定时间的时间戳select unix_timestamp();select unix_timestamp('2008-08-08 08:08:08');2.from_unixtime：将时间戳转为日期格式 select from_unixtime(1218182888); select from_unixtime(unix_timestamp());3.current_date：当前日期selec

一、Hive基本概念1.1 hive是什么hive是基于hadoop的一个数仓分析工具，hive可以将hdfs上存储的结构化的数据，映射成一张表，然后让用户写HQL(类SQL)来分析数据 tel up down1383838438 1345 15671383838439 5345 15671383838440 1241 165771383838441

Hadoop企业优化MapReduce优化方法数据输入①合并小文件：在执行MR任务前将小文件进行合并，大量的小文件会产生大量的Map任务，增大Map任务装载次数，而任务的装载比较耗时，从而导致MR运行较慢。②采用CombineTextInputFormat来作为输入，解决输入端大量小文件场景。Map阶段①减少溢写次数：通过调整mapreduce.task.io.sort.mb及mapreduce.map.sort.spile.percent参数值，增大出发Spill的内存上限，减少Spill次数

joinreduce join工作原理Map端的主要工作：为来自不同表或文件的key/value对打标签以区别不停来源的记录。然后用连接字段作为key，其余部分和新加部分的标志作为value，最后进行输出。Reduce段主要工作：在Reduce端以连接字段作为key的分组已经完成，我们只需要在每一个分组当中将那些来源于不同文件的记录（在Map阶段已经打标志）分开，最后进行合并就ok了。首先先看需求，以下面例子为例需求分析：在下面需求中，我们需要四个类，一个是TableBean继承Writab

Shuffle机制Shuffle是在Mapper之后，Reducer之前的操作分区默认分区时，若numReduceTask>1,会根据所求key的hashcode值进行分区设置MAX_VALUES的目的是为了防止hashcode过大分区时按照条件的不同进行分区，有几个分区就会有几个reduce若numReduceTask=1,直接输出0号文件分区主要需要写四个类，分别是partitioner类，mapper类，reducer类，driver类导包的时候导最长的，最长的是最新的