x3303208457的博客

转换构造数据变换是数据清理过程的重要步骤，是对数据的一个的标准的处理，几乎所有的数据处理过程都会涉及该步骤。数据转换常见的内容包括：数据类型转换、数据语义转换、数据值域转换、数据粒度转换、表/数据拆分、行列转换、数据离散化、数据离散化、提炼新字段、属性构造、数据压缩等。删除重复项由于各种原因，数据中可能存在重复记录或重复字段（列），对于这些重复项目（行和列）需要做去重处理。对于重复项的判断，基本思想是“排序和合并”，先将数据库中的记录按一定规则排序，然后通过比较邻近记录是否相似来检测记录是否重复。

（5）高可用: 本身高可用的设置，加上与K8s，YARN 和 Mesos 的紧密集成，再加上从故障中快速恢复和动态扩展任务的能力，Flink能做到以及少的停机时间7*24全天运行。（2）结果的准确性：Flink提供了事件时间和处理时间语义。对于乱序事件流事件时间，事件时间 语义依然能提供一致且准确的结果。（4）可以连接到最常用的外部系统，如Kafka、Hive、JDBC、HDFS、Redis等。我们处理数据的目标是：低延迟、高吞吐、结果的准确性和良好的容错性。

Apache Kudu 是由 Cloudera 开源的存储引擎，可以同时提供低延迟的随机读写和高效的数据分析能力。它是一个融合HDFS和HBase的功能的新组件，具备介于两者之间的新存储组件。局限性是批量读取吞吐量远不如HDFS，不适用于批量数据分析的场景。Kudu支持水平扩展，并且与Cloudera Impala 和 Apache Spark 等当前流行的大数据查询和分析工具结合紧密。以 HDFS 引擎作为存储引擎,适用于高吞吐量的离线大数据分析场景。这类存储的局限性是无法进行随机的读写。

在一个（K，V）的 RDD 上调用，返回一个（K，V）的RDD，使用定的 reduce 函数，将相同 key 的值聚合到一起，reduce 任务的个数可以通过第二个可选参数来设置。（7）filter：根据指定的规则进行筛选过滤，符合规则的数据保留，不符合的丢弃。（6）groupBy：根据指定的规则进行分组，分区默认不变，数据会被打乱（shuffle）。极限情况下，数据可能被分到同一个分区中。map（func）：返回一个新的RDD，该RDD由每一个输入元素经过func函数转换后组成（每条数据执行一次）。

你在提交任务前，一定知道或者可以从运维部门获取到你可以使用的资源情况，在编写submit脚本的时候，就根据可用的资源情况进行资源的分配，比如说集群有15台机器，每台机器为8G内存，2个CPU core，那么就指定15个Executor，每个Executor分配8G内存，2个CPU core。Spark 性能调优的第一步，就是为任务分配更多的资源，在一定范围内，增加资源的fenpei与性能的提升是成正比的，实现了最优的资源配置后，在次基础上在考虑进行后面论述的性能调优策略。tandalone模式。

函数，Spark查询为懒执行，当执行到action算子时开始反向推算，根据宽依赖进行stage的划分，随后每一个stage对应一个taskset，taskset中有多个task，根据本地化原则，task会被分发到指定的Executor去执行，在任务执行的过程中，Executor也会不断与Driver进行通信，报告任务运行情况。如果有Executor节点发生了故障或崩溃，Spark 应用也可以继续执行，会将出错节点上的任务调度到其他Executor节点上继续运行。3. 跟踪 Executor 的执行情况;

如果 ifcfg-ens33 这个文件已经提前编辑过并且已经将 ONBOOT 改为yes,之前还好好的但是现在ip突然就没了。如果失败 (大概率会失败)就执行下边命令。禁用 NetworkManager。1.先尝试重启网络服务。

他是使用C++语言编写的，支持SQL实时查询的大型数据管理系统。由于Clickhouse在大型数据集查询处理的高效表现，从2016年开源以来，就吸引了全球的目光，甚至一度登上githubl的关注度头把交椅。相比于OLTP在线事务处理，Clickhouse更关注于对海量数据的计算分析，关注的是数据吞吐、查询速度、计算性能等指标。这个量即包括数据的行数，也包括数据的列数。一个典型的OLAP场景主要是对海量数据进行更新，相比于我们常用的ysq等OLTP数据库，有一些很明显的特征。(4)对事务的要求不是必须的。

方法可以定义多个参数列表,当使用较少的参数列表调用多参数列表参数的方法时,会产生一个新的函数,该函数接收剩余参数列表作为其参数.方法可以具有隐式参数列表,由参数列表开头的implicit关键字标记。implict只能修改最尾部的参数列表,应用于其全部参数。隐式函数也称隐式转换，使用implicit修饰的函数。=>右边为参数列表，=>左边为函数体。Scala可自动传递正确类型的隐式值。指的是不含函数名称的函数。通常与柯理化函数结合使用。即作为参数又作为返回值。Scala中case。

（2）基于语句追加：只追加变化的数据。是完全开源免费的，遵守BSD协议，是一个高性能(NOSQL)的key-value数据库,Redis是一个开源的使用ANSI C语言编写、支持网络、可基于内存亦可持久化的日志型、Key-Value数据库，并提供多种语言的API。，也就是说对于一个具有上百万个元素的lists来说，在头部和尾部插入一个新元素，其时间复杂度是常数级别的，比如用LPUSH在10个元素的lists头部插入新元素，和在上千万元素的lists头部插入新元素的速度应该是相同的。

将待处理的数据一分区为单位发送到计算节点进行处理（分区内计算，而分区之间并不能计算），这里的处理是指可以进项任意的处理，可以是过滤数据；先有分区，分区对应task，task给Executo执行，有几个Executor在执行则有多少并行度；Map算子是【分区内】一个数据一个数据的执行，类似于串行操作；将整个分区的数据加载到内存进行引用，处理完的数据不会被释放掉，因为存在对象的引用，只有全部处理完才会释放数据；将处理的数据逐条进行映射转换，这里的转换可以是类型的转换，也可以是值的转换。类似于缓冲流，效率更高；

RDD 表示只读的分区的数据集, 对RDD 进行改动, 只能通过 RDD 的转换操作,由一个RDD得到一个新的RDD, 新的 RDD 包含了从其他 RDD 衍生所必需的信息.RDDs之间存在依赖, RDD的执行是按照血缘关系延时计算的.如果血缘关系较长,可以通过持久化RDD来切断血缘关系.在RDD进行转换和动作的时候,会形成RDDD的Lineage依赖链,当某一个RDD失效的时候,可以通过重新计算上游的RDD来重新生成丢失的RDD数据.RDD的计算任务如果运行失败,会自动进行任务的重新计算,默认4次.

它接受三个参数：待提取子字符串的字符串、子字符串的起始位置和要提取的长度。如果只提供两个参数，则第二个参数将被视为起始位置，而长度将默认为从起始位置到字符串的末尾。MONTH函数是一个用于提取日期中的月份的函数。它接受一个日期作为参数，并返回一个整数值，表示该日期的月份。COUNT(1)也会计算表中的行数，并返回该值。但是，它实际上是在计算一个固定值1的行数，而不是计算所有行的数量。函数只接受基本数据类型，它的主要作用是将某字段的值进行去重汇总，产生array类型字段。)会计算表中的总行数，并返回该值。

直接在linux命令行界面输入如下，然后回车（导入环境变量，以及shell常见的命令的存放地址。有可能是之前修改了etc/profile.d目录下的环境变量配置文件导致。如果记得修改了配置文件那个地方，可以将配置文件修改回去，然后再保存更新。如果系统所有命令都不能使用时，可以使用绝对命令vi打开profile。1./bin/vi /etc/profile.d/环境变量文件名。2.# 在系统的配置文件里添加[环境变量]地址。

原文链接：https://blog.csdn.net/liqingwei168/article/details/79162359。原文链接：https://blog.csdn.net/liqingwei168/article/details/79162359。String[] titles = { "用户编号", "用户姓名", "用户地址" };// 2.在webbook中添加一个sheet,对应Excel文件中的sheet。// 4.创建单元格，并设置值表头 设置表头居中。// 5.写入实体数据。