原文鏈接：http://www.cnblogs.com/juandx/p/4962089.html python中對文件、文件夾（文件操作函數(shù)）的操作需要涉及到os模塊和shutil模塊。 得到當前工作目錄，即當前Python腳本工作的目錄路徑: os.getcwd() 返回指定目錄下的所有文件和目錄名:os.listdir() 函數(shù)用來刪除一個文件:os.remove() 刪除多個目錄：os.removedirs（r“c：\python”） 檢驗給出的路徑是否是一個文件：os.path.isfile() 檢驗給出的路徑是否是一個目錄：os.path.isdir() 判斷是否是絕對路徑：os.path.isabs() 檢驗給出的路徑是否真地存:os.path.exists() 返回一個路徑的目錄名和文件名:os.path.split() eg os.path.split(‘/home/swaroop/byte/code/poem.txt’) 結果：(‘/home/swaroop/byte/code’, ‘poem.txt’) 分離擴展名：os.path.splitext() 獲取路徑名：os.path.dirname() 獲取文件名：os.path.basename() 運行shell命令: os.system() 讀取和設置環(huán)境變量:os.getenv() 與os.putenv() 給出當前平臺使用的行終止符:os.linesep Windows使用’\r\n’，Linux使用’\n’而Mac使用’\r’ 指示你正在使用的平臺：os.name 對于Windows，它是’nt’，而對于Linux/Unix用戶，它是’posix’ 重命名：os.rename（old， new） 創(chuàng)建多級目錄：os.makedirs（r“c：\python\test”） 創(chuàng)建單個目錄：os.mkdir（“test”） 獲取文件屬性：os.stat（file） 修改文件權限與時間戳：os.chmod（file） 終止當前進程：os.exit（） 獲取文件大?。簅s.path.getsize（filename） 文件操作： os.mknod(“test.txt”) 創(chuàng)建空文件 fp = open(“test.txt”,w) 直接打開一個文件，如果文件不存在則創(chuàng)建文件 關于open 模式： w 以寫方式打開， a 以追加模式打開 (從 EOF 開始, 必要時創(chuàng)建新文件) r+ 以讀寫模式打開 w+ 以讀寫模式打開 (參見 w ) a+ 以讀寫模式打開 (參見 a ) rb 以二進制讀模式打開 wb 以二進制寫模式打開 (參見 w ) ab 以二進制追加模式打開 (參見 a ) rb+ 以二進制讀寫模式打開 (參見 r+ ) wb+ 以二進制讀寫模式打開 (參見 w+ ) ab+ 以二進制讀寫模式打開 (參見 a+ ) fp.read([size]) #size為讀取的長度，以byte為單位 fp.readline([size]) #讀一行，如果定義了size，有可能返回的只是一行的一部分 fp.readlines([size]) #把文件每一行作為一個list的一個成員，并返回這個list。其實它的內(nèi)部是通過循環(huán)調(diào)用readline()來實現(xiàn)的。如果提供size參數(shù)，size是表示讀取內(nèi)容的總長，也就是說可能只讀到文件的一部分。 fp.write(str) #把str寫到文件中，write()并不會在str后加上一個換行符 fp.writelines(seq) #把seq的內(nèi)容全部寫到文件中(多行一次性寫入)。這個函數(shù)也只是忠實地寫入，不會在每行后面加上任何東西。 fp.close() #關閉文件。python會在一個文件不用后自動關閉文件，不過這一功能沒有保證，最好還是養(yǎng)成自己關閉的習慣。 如果一個文件在關閉后還對其進行操作會產(chǎn)生ValueError fp.flush() #把緩沖區(qū)的內(nèi)容寫入硬盤 fp.fileno() #返回一個長整型的”文件標簽“ fp.isatty() #文件是否是一個終端設備文件（unix系統(tǒng)中的） fp.tell() #返回文件操作標記的當前位置，以文件的開頭為原點 fp.next() #返回下一行，并將文件操作標記位移到下一行。把一個file用于for … in file這樣的語句時，就是調(diào)用next()函數(shù)來實現(xiàn)遍歷的。 fp.seek(offset[,whence]) #將文件打操作標記移到offset的位置。這個offset一般是相對于文件的開頭來計算的，一般為正數(shù)。但如果提供了whence參數(shù)就不一定了，whence可以為0表示從頭開始計算，1表示以當前位置為原點計算。2表示以文件末尾為原點進行計算。需要注意，如果文件以a或a+的模式打開，每次進行寫操作時，文件操作標記會自動返回到文件末尾。 fp.truncate([size]) #把文件裁成規(guī)定的大小，默認的是裁到當前文件操作標記的位置。如果size比文件的大小還要大，依據(jù)系統(tǒng)的不同可能是不改變文件，也可能是用0把文件補到相應的大小，也可能是以一些隨機的內(nèi)容加上去。 目錄操作： os.mkdir(“file”) 創(chuàng)建目錄 復制文件： shutil.copyfile(“oldfile”,”newfile”) oldfile和newfile都只能是文件 shutil.copy(“oldfile”,”newfile”) oldfile只能是文件夾，newfile可以是文件，也可以是目標目錄 復制文件夾： shutil.copytree(“olddir”,”newdir”) olddir和newdir都只能是目錄，且newdir必須不存在 重命名文件（目錄） os.rename(“oldname”,”newname”) 文件或目錄都是使用這條命令 移動文件（目錄） shutil.move(“oldpos”,”newpos”) 刪除文件 os.remove(“file”) 刪除目錄 os.rmdir(“dir”)只能刪除空目錄 shutil.rmtree(“dir”) 空目錄、有內(nèi)容的目錄都可以刪 轉(zhuǎn)換目錄 os.chdir(“path”) 換路徑 Python讀寫文件 1.open 使用open打開文件后一定要記得調(diào)用文件對象的close()方法。比如可以用try/finally語句來確保最后能關閉文件。 file_object = open(‘thefile.txt’) try: all_the_text = file_object.read( ) finally: file_object.close( ) 注：不能把open語句放在try塊里，因為當打開文件出現(xiàn)異常時，文件對象file_object無法執(zhí)行close()方法。 2.讀文件 讀文本文件 input = open('data', 'r') #第二個參數(shù)默認為r input = open('data') 1 2 3 讀二進制文件 input = open('data', 'rb') 1 讀取所有內(nèi)容 file_object = open('thefile.txt') try: all_the_text = file_object.read( ) finally: file_object.close( ) 1 2 3 4 5 讀固定字節(jié) file_object = open('abinfile', 'rb') try: while True: chunk = file_object.read(100) if not chunk: break do_something_with(chunk) finally: file_object.close( ) 1 2 3 4 5 6 7 8 9 讀每行 list_of_all_the_lines = file_object.readlines( ) 1 如果文件是文本文件，還可以直接遍歷文件對象獲取每行： for line in file_object: process line 1 2 3.寫文件 寫文本文件 output = open('data', 'w') 1 寫二進制文件 output = open('data', 'wb') 1 追加寫文件 output = open('data', 'w+') 1 寫數(shù)據(jù) file_object = open('thefile.txt', 'w') file_object.write(all_the_text) file_object.close( ) 1 2 3 寫入多行 file_object.writelines(list_of_text_strings) 1 注意，調(diào)用writelines寫入多行在性能上會比使用write一次性寫入要高。 在處理日志文件的時候，常常會遇到這樣的情況：日志文件巨大，不可能一次性把整個文件讀入到內(nèi)存中進行處理，例如需要在一臺物理內(nèi)存為 2GB 的機器上處理一個 2GB 的日志文件，我們可能希望每次只處理其中 200MB 的內(nèi)容。 在 Python 中，內(nèi)置的 File 對象直接提供了一個 readlines(sizehint) 函數(shù)來完成這樣的事情。以下面的代碼為例： file = open('test.log', 'r')sizehint = 209715200 # 200Mposition = 0lines = file.readlines(sizehint)while not file.tell() - position < 0: position = file.tell() lines = file.readlines(sizehint) 1 每次調(diào)用 readlines(sizehint) 函數(shù)，會返回大約 200MB 的數(shù)據(jù)，而且所返回的必然都是完整的行數(shù)據(jù)，大多數(shù)情況下，返回的數(shù)據(jù)的字節(jié)數(shù)會稍微比 sizehint 指定的值大一點（除最后一次調(diào)用 readlines(sizehint) 函數(shù)的時候）。通常情況下，Python 會自動將用戶指定的 sizehint 的值調(diào)整成內(nèi)部緩存大小的整數(shù)倍。 file在python是一個特殊的類型，它用于在python程序中對外部的文件進行操作。在python中一切都是對象，file也不例外，file有file的方法和屬性。下面先來看如何創(chuàng)建一個file對象： file(name[, mode[, buffering]]) 1 file()函數(shù)用于創(chuàng)建一個file對象，它有一個別名叫open()，可能更形象一些，它們是內(nèi)置函數(shù)。來看看它的參數(shù)。它參數(shù)都是以字符串的形式傳遞的。name是文件的名字。 mode是打開的模式，可選的值為r w a U，分別代表讀（默認） 寫 添加支持各種換行符的模式。用w或a模式打開文件的話，如果文件不存在，那么就自動創(chuàng)建。此外，用w模式打開一個已經(jīng)存在的文件時，原有文件的內(nèi)容會被清空，因為一開始文件的操作的標記是在文件的開頭的，這時候進行寫操作，無疑會把原有的內(nèi)容給抹掉。由于歷史的原因，換行符在不同的系統(tǒng)中有不同模式，比如在 unix中是一個\n，而在windows中是‘\r\n’，用U模式打開文件，就是支持所有的換行模式，也就說‘\r’ ‘\n’ ‘\r\n’都可表示換行，會有一個tuple用來存貯這個文件中用到過的換行符。不過，雖說換行有多種模式，讀到python中統(tǒng)一用\n代替。在模式字符的后面，還可以加上+ b t這兩種標識，分別表示可以對文件同時進行讀寫操作和用二進制模式、文本模式（默認）打開文件。 buffering如果為0表示不進行緩沖;如果為1表示進行“行緩沖“;如果是一個大于1的數(shù)表示緩沖區(qū)的大小，應該是以字節(jié)為單位的。 file對象有自己的屬性和方法。先來看看file的屬性。 closed #標記文件是否已經(jīng)關閉，由close()改寫 encoding #文件編碼 mode #打開模式 name #文件名 newlines #文件中用到的換行模式，是一個tuple softspace #boolean型，一般為0，據(jù)說用于print 1 2 3 4 5 6 file的讀寫方法： F.read([size]) #size為讀取的長度，以byte為單位 F.readline([size]) #讀一行，如果定義了size，有可能返回的只是一行的一部分 F.readlines([size]) #把文件每一行作為一個list的一個成員，并返回這個list。其實它的內(nèi)部是通過循環(huán)調(diào)用readline()來實現(xiàn)的。如果提供size參數(shù)，size是表示讀取內(nèi)容的總長，也就是說可能只讀到文件的一部分。 F.write(str) #把str寫到文件中，write()并不會在str后加上一個換行符 F.writelines(seq) #把seq的內(nèi)容全部寫到文件中。這個函數(shù)也只是忠實地寫入，不會在每行后面加上任何東西。 file的其他方法： F.close() #關閉文件。python會在一個文件不用后自動關閉文件，不過這一功能沒有保證，最好還是養(yǎng)成自己關閉的習慣。如果一個文件在關閉后還對其進行操作會產(chǎn)生ValueError F.flush() #把緩沖區(qū)的內(nèi)容寫入硬盤 F.fileno() #返回一個長整型的”文件標簽“ F.isatty() #文件是否是一個終端設備文件（unix系統(tǒng)中的） F.tell() #返回文件操作標記的當前位置，以文件的開頭為原點 F.next() #返回下一行，并將文件操作標記位移到下一行。把一個file用于for ... in file這樣的語句時，就是調(diào)用next()函數(shù)來實現(xiàn)遍歷的。 F.seek(offset[,whence]) #將文件打操作標記移到offset的位置。這個offset一般是相對于文件的開頭來計算的，一般為正數(shù)。但如果提供了whence參數(shù)就不一定了，whence可以為0表示從頭開始計算，1表示以當前位置為原點計算。2表示以文件末尾為原點進行計算。需要注意，如果文件以a或a+的模式打開，每次進行寫操作時，文件操作標記會自動返回到文件末尾。 F.truncate([size]) #把文件裁成規(guī)定的大小，默認的是裁到當前文件操作標記的位置。如果size比文件的大小還要大，依據(jù)系統(tǒng)的不同可能是不改變文件，也可能是用0把文件補到相應的大小，也可能是以一些隨機的內(nèi)容加上去。 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 http://www.cnblogs.com/allenblogs/archive/2010/09/13/1824842.html http://www.cnblogs.com/rollenholt/archive/2012/04/23/2466179.html 首先 dfs.replication這個參數(shù)是個client參數(shù)，即node level參數(shù)。需要在每臺datanode上設置。 其實默認為3個副本已經(jīng)夠用了，設置太多也沒什么用。 一個文件，上傳到hdfs上時指定的是幾個副本就是幾個。以后你修改了副本數(shù)，對已經(jīng)上傳了的文件也不會起作用?？梢栽偕蟼魑募耐瑫r指定創(chuàng)建的副本數(shù) Hadoop dfs -D dfs.replication=1 -put 70M logs/2 可以通過命令來更改已經(jīng)上傳的文件的副本數(shù)： hadoop fs -setrep -R 3 / 查看當前hdfs的副本數(shù) hadoop fsck -locations FSCK started by hadoop from /172.18.6.112 for path / at Thu Oct 27 13:24:25 CST 2011 ....................Status: HEALTHY Total size: 4834251860 B Total dirs: 21 Total files: 20 Total blocks (validated): 82 (avg. block size 58954290 B) Minimally replicated blocks: 82 (100.0 %) Over-replicated blocks: 0 (0.0 %) Under-replicated blocks: 0 (0.0 %) Mis-replicated blocks: 0 (0.0 %) Default replication factor: 3 Average block replication: 3.0 Corrupt blocks: 0 Missing replicas: 0 (0.0 %) Number of data-nodes: 3 Number of racks: 1 FSCK ended at Thu Oct 27 13:24:25 CST 2011 in 10 milliseconds The filesystem under path '/' is HEALTHY 某個文件的副本數(shù)，可以通過ls中的文件描述符看到 hadoop dfs -ls -rw-r--r-- 3 hadoop supergroup 153748148 2011-10-27 16:11 /user/hadoop/logs/201108/impression_witspixel2011080100.thin.log.gz 如果你只有3個datanode，但是你卻指定副本數(shù)為4，是不會生效的，因為每個datanode上只能存放一個副本。 參考：http://blog.csdn.net/lskyne/article/details/8898666 轉(zhuǎn)自：https://www.cnblogs.com/shabbylee/p/6792555.html 由于歷史原因，Python有兩個大的版本分支，Python2和Python3，又由于一些庫只支持某個版本分支，所以需要在電腦上同時安裝Python2和Python3，因此如何讓兩個版本的Python兼容，如何讓腳本在對應的Python版本上運行，這個是值得總結的。 對于Ubuntu 16.04 LTS版本來說，Python2（2.7.12）和Python3（3.5.2）默認同時安裝，默認的python版本是2.7.12。 當然你也可以用python2來調(diào)用。 如果想調(diào)用python3，就用python3. 對于Windows，就有點復雜了。因為不論python2還是python3，python可執(zhí)行文件都叫python.exe，在cmd下輸入python得到的版本號取決于環(huán)境變量里哪個版本的python路徑更靠前，畢竟windows是按照順序查找的。比如環(huán)境變量里的順序是這樣的： 那么cmd下的python版本就是2.7.12。 反之，則是python3的版本號。 這就帶來一個問題了，如果你想用python2運行一個腳本，一會你又想用python3運行另一個腳本，你怎么做？來回改環(huán)境變量顯然很麻煩。 網(wǎng)上很多辦法比較簡單粗暴，把兩個python.exe改名啊，一個改成python2.exe，一個改成python3.exe。這樣做固然可以，但修改可執(zhí)行文件的方式，畢竟不是很好的方法。 我仔細查找了一些python技術文檔，發(fā)現(xiàn)另外一個我覺得比較好的解決辦法。 借用py的一個參數(shù)來調(diào)用不同版本的Python。py -2調(diào)用python2，py -3調(diào)用的是python3. 當python腳本需要python2運行時，只需在腳本前加上，然后運行py xxx.py即可。 #! python2 當python腳本需要python3運行時，只需在腳本前加上，，然后運行py xxx.py即可。 #! python3 就這么簡單。 同時，這也完美解決了在pip在python2和python3共存的環(huán)境下報錯，提示Fatal error in launcher: Unable to create process using '"'的問題。 當需要python2的pip時，只需 py -2 -m pip install xxx 當需要python3的pip時，只需 py -3 -m pip install xxx python2和python3的pip package就這樣可以完美分開了。 Sentry權限控制通過Beeline（Hiveserver2 SQL 命令行接口）輸入Grant 和 Revoke語句來配置。語法跟現(xiàn)在的一些主流的關系數(shù)據(jù)庫很相似。需要注意的是：當sentry服務啟用后，我們必須使用beeline接口來執(zhí)行hive查詢，Hive Cli并不支持sentry。 CREATE ROLE Statement CREATE ROLE語句創(chuàng)建一個可以被賦權的角色。權限可以賦給角色，然后再分配給各個用戶。一個用戶被分配到角色后可以執(zhí)行該角色的權限。 只有擁有管理員的角色可以create/drop角色。默認情況下，hive、impala和hue用戶擁有管理員角色。 CREATE ROLE [role_name]; DROP ROLE Statement DROP ROLE語句可以用來從數(shù)據(jù)庫中移除一個角色。一旦移除，之前分配給所有用戶的該角色將會取消。之前已經(jīng)執(zhí)行的語句不會受到影響。但是，因為hive在執(zhí)行每條查詢語句之前會檢查用戶的權限，處于登錄活躍狀態(tài)的用戶會話會受到影響。 DROP ROLE [role_name]; GRANT ROLE Statement GRANT ROLE語句可以用來給組授予角色。只有sentry的管理員用戶才能執(zhí)行該操作。 GRANT ROLE role_name [, role_name] TO GROUP （groupName） [,GROUP （groupName）] REVOKE ROLE Statement REVOKE ROLE語句可以用來從組移除角色。只有sentry的管理員用戶才能執(zhí)行該操作。 REVOKE ROLE role_name [, role_name] FROM GROUP （groupName) [,GROUP (groupName)] GRANT (PRIVILEGE) Statement 授予一個對象的權限給一個角色，該用戶必須為sentry的管理員用戶。 GRANT (PRIVILEGE) [, (PRIVILEGE) ] ON (OBJECT) (object_name) TO ROLE (roleName) [,ROLE (roleName)] REVOKE （PRIVILEGE） Statement 因為只有認證的管理員用戶可以創(chuàng)建角色，從而只有管理員用戶可以取消一個組的權限。 REVOKE (PRIVILEGE) [, (PRIVILEGE) ] ON (OBJECT) (object_name) FROM ROLE (roleName) [,ROLE (roleName)] GRANT (PRIVILEGE) ... WITH GRANT OPTION 在cdh5.2中，你可以委托給其他角色來授予和解除權限。比如，一個角色被授予了WITH GRANT OPTION的權限可以GRANT/REVOKE同樣的權限給其他角色。因此，如果一個角色有一個庫的所有權限并且設置了 WITH GRANT OPTION，該角色分配的用戶可以對該數(shù)據(jù)庫和其中的表執(zhí)行GRANT/REVOKE語句。 GRANT （PRIVILEGE） ON （OBJECT） （object_name） TO ROLE （roleName） WITH GRANT OPTION 只有一個帶GRANT選項的特殊權限的角色或者它的父級權限可以從其他角色解除這種權限。一旦下面的語句執(zhí)行，所有跟其相關的grant權限將會被解除。 REVOKE （RIVILEGE） ON （BJECT） （bject_name） FROM ROLE （roleName） Hive目前不支持解除之前賦予一個角色 WITH GRANT OPTION 的權限。要想移除WITH GRANT OPTION、解除權限，可以重新去除 WITH GRANT OPTION這個標記來再次附權。 SET ROLE Statement SET ROLE語句可以給當前會話選擇一個角色使之生效。一個用戶只能啟用分配給他的角色。任何不存在的角色和當前用戶不能使用的角色是不能生效的。如果沒有使用任何角色，用戶將會使用任何一個屬于他的角色的權限。 選擇一個角色使用： To enable a specific role: 使用所有的角色： To enable a specific role: 關閉所有角色 SET ROLE NONE; SHOW Statement 顯示當前用戶擁有庫、表、列相關權限的數(shù)據(jù)庫： SHOW DATABASES; 顯示當前用戶擁有表、列相關權限的表； SHOW TABLES; 顯示當前用戶擁有SELECT權限的列： SHOW COLUMNS (FROM|IN) table_name [(FROM|IN) db_name]; 顯示當前系統(tǒng)中所有的角色（只有管理員用戶可以執(zhí)行）： SHOW ROLES; 顯示當前影響當前會話的角色： SHOW CURRENT ROLES; 顯示指定組的被分配到的所有角色（只有管理員用戶和指定組內(nèi)的用戶可以執(zhí)行） SHOW ROLE GRANT GROUP (groupName); SHOW語句可以用來顯示一個角色被授予的權限或者顯示角色的一個特定對象的所有權限。 顯示指定角色的所有被賦予的權限。（只有管理員用戶和指定角色分配到的用戶可以執(zhí)行）。下面的語句也會顯示任何列級的權限。 SHOW GRANT ROLE (roleName); 顯示指定對象的一個角色的所有被賦予的權限（只有管理員用戶和指定角色分配到的用戶可以執(zhí)行）。下面的語句也會顯示任何列級的權限。 SHOW GRANT ROLE (roleName) on (OBJECT) (objectName); ----------------------------我也是有底線的-----------------------------      摘要: Python 里面的編碼和解碼也就是 unicode 和 str 這兩種形式的相互轉(zhuǎn)化。編碼是 unicode -> str，相反的，解碼就是 str -> unicode。剩下的問題就是確定何時需要進行編碼或者解碼了.關于文件開頭的"編碼指示"，也就是 # -*- codin...  閱讀全文      摘要: 我們每次執(zhí)行hive的hql時，shell里都會提示一段話：[python] view plaincopy...  Number of reduce tasks not specified. Estimated from input data size: 50...  閱讀全文      摘要: spark 累加歷史主要用到了窗口函數(shù)，而進行全部統(tǒng)計，則需要用到rollup函數(shù) 1  應用場景： 　　1、我們需要統(tǒng)計用戶的總使用時長（累加歷史） 　　2、前臺展現(xiàn)頁面需要對多個維度進行查詢，如：產(chǎn)品、地區(qū)等等 　　3、需要展現(xiàn)的表格頭如： 產(chǎn)品、2015-04、2015-05、2015-06 2 原始數(shù)據(jù)： product_code |event_date |dur...  閱讀全文      摘要: Spark1.4發(fā)布，支持了窗口分析函數(shù)(window functions)。在離線平臺中，90%以上的離線分析任務都是使用Hive實現(xiàn)，其中必然會使用很多窗口分析函數(shù)，如果SparkSQL支持窗口分析函數(shù)， 那么對于后面Hive向SparkSQL中的遷移的工作量會大大降低，使用方式如下： 1、初始化數(shù)據(jù) 創(chuàng)建表 [sql] view plain cop...  閱讀全文

SparkSQL相關語句總結

如果用傳統(tǒng)SCP遠程拷貝，速度是比較慢的?，F(xiàn)在采用lz4壓縮傳輸。LZ4是一個非?？斓臒o損壓縮算法，壓縮速度在單核300MB/S，可擴展支持多核CPU。它還具有一個非常快速的解碼器，速度單核可達到和超越1GB/S。通常能夠達到多核系統(tǒng)上的RAM速度限制。 你PV 全命為Pipe Viewer，利用它我們可以查看到命令執(zhí)行的進度。 下面介紹下lz4和pv的安裝，下載軟件： 下載pv-1.1.4.tar.gz wget http://sourceforge.jp/projects/sfnet_pipeviewer/downloads/pipeviewer/1.1.4/pv-1.1.4.tar.bz2/ 下lz4的包難一些，可能要FQ：https://dl.dropboxusercontent.com/u/59565338/LZ4/lz4-r108.tar.gz 安裝灰常簡單： pv安裝： [root ~]$ tar jxvf pv-1.1.4.tar.bz2 [root ~]$ cd pv-1.1.4 [root pv-1.1.4]$ ./configure && make && make install lz4安裝： [root ~]$ tar zxvf lz4-r108.tar.gz [root ~]$ cd lz4-r108 [root lz4-r108]$ make && make install 用法：（-c 后指定要傳輸?shù)奈募?，ssh -p 是指定端口，后面的ip是目標主機的ip, -xC指定傳到目標主機下的那個目錄下，別的不用修改）： tar -c mysql-slave-3307 |pv|lz4 -B4|ssh -p10022 -c arcfour128 -o"MACs umac-64@openssh.com" 192.168.100.234 "lz4 -d |tar -xC /data" 下面是我線上傳一個從庫的效果： 看到了吧，25.7G 只需要接近3分鐘，這樣遠比scp速度快上了好幾倍，直接scp拷貝離散文件，很消耗IO，而使用LZ4快速壓縮，對性能影響不大，傳輸速度快 PS：下次補充同機房不同網(wǎng)段的傳輸效果及跨機房的傳輸效果^0^ 作者：陸炫志 出處：xuanzhi的博客 http://www.cnblogs.com/xuanzhi201111 您的支持是對博主最大的鼓勵，感謝您的認真閱讀。本文版權歸作者所有，歡迎轉(zhuǎn)載，但請保留該聲明。 王 騰騰 和 邵 兵 2015 年 11 月 26 日發(fā)布 WeiboGoogle+用電子郵件發(fā)送本頁面 Comments 1 引子 隨著云時代的來臨，大數(shù)據(jù)（Big data）也獲得了越來越多的關注。著云臺的分析師團隊認為，大數(shù)據(jù)（Big data）通常用來形容一個公司創(chuàng)造的大量非結構化和半結構化數(shù)據(jù)，這些數(shù)據(jù)在下載到關系型數(shù)據(jù)庫用于分析時會花費過多時間和金錢。大數(shù)據(jù)分析常和云計算聯(lián)系到一起，因為實時的大型數(shù)據(jù)集分析需要像 MapReduce 一樣的框架來向數(shù)十、數(shù)百或甚至數(shù)千的電腦分配工作。 “大數(shù)據(jù)”在互聯(lián)網(wǎng)行業(yè)指的是這樣一種現(xiàn)象：互聯(lián)網(wǎng)公司在日常運營中生成、累積的用戶網(wǎng)絡行為數(shù)據(jù)。這些數(shù)據(jù)的規(guī)模是如此龐大，以至于不能用 G 或 T 來衡量。所以如何高效的處理分析大數(shù)據(jù)的問題擺在了面前。對于大數(shù)據(jù)的處理優(yōu)化方式有很多種，本文中主要介紹在使用 Hadoop 平臺中對數(shù)據(jù)進行壓縮處理來提高數(shù)據(jù)處理效率。 壓縮簡介 Hadoop 作為一個較通用的海量數(shù)據(jù)處理平臺，每次運算都會需要處理大量數(shù)據(jù)，我們會在 Hadoop 系統(tǒng)中對數(shù)據(jù)進行壓縮處理來優(yōu)化磁盤使用率，提高數(shù)據(jù)在磁盤和網(wǎng)絡中的傳輸速度，從而提高系統(tǒng)處理數(shù)據(jù)的效率。在使用壓縮方式方面，主要考慮壓縮速度和壓縮文件的可分割性。綜合所述，使用壓縮的優(yōu)點如下： 1. 節(jié)省數(shù)據(jù)占用的磁盤空間； 2. 加快數(shù)據(jù)在磁盤和網(wǎng)絡中的傳輸速度，從而提高系統(tǒng)的處理速度。 壓縮格式 Hadoop 對于壓縮格式的是自動識別。如果我們壓縮的文件有相應壓縮格式的擴展名（比如 lzo，gz，bzip2 等）。Hadoop 會根據(jù)壓縮格式的擴展名自動選擇相對應的解碼器來解壓數(shù)據(jù)，此過程完全是 Hadoop 自動處理，我們只需要確保輸入的壓縮文件有擴展名。 Hadoop 對每個壓縮格式的支持, 詳細見下表： 表 1. 壓縮格式 壓縮格式 工具 算法 擴展名 多文件 可分割性 DEFLATE 無 DEFLATE .deflate 不 不 GZIP gzip DEFLATE .gzp 不 不 ZIP zip DEFLATE .zip 是 是，在文件范圍內(nèi) BZIP2 bzip2 BZIP2 .bz2 不 是 LZO lzop LZO .lzo 不 是 如果壓縮的文件沒有擴展名，則需要在執(zhí)行 MapReduce 任務的時候指定輸入格式。 1 2 3 4 5 hadoop jar /usr/home/hadoop/hadoop-0.20.2/contrib/streaming/ hadoop-streaming-0.20.2-CD H3B4.jar -file /usr/home/hadoop/hello/mapper.py -mapper / usr/home/hadoop/hello/mapper.py -file /usr/home/hadoop/hello/ reducer.py -reducer /usr/home/hadoop/hello/reducer.py -input lzotest -output result4 - jobconf mapred.reduce.tasks=1*-inputformatorg.apache.hadoop.mapred.LzoTextInputFormat* 性能對比 Hadoop 下各種壓縮算法的壓縮比，壓縮時間，解壓時間見下表: 表 2. 性能對比 壓縮算法 原始文件大小 壓縮文件大小 壓縮速度 解壓速度 gzip 8.3GB 1.8GB 17.5MB/s 58MB/s bzip2 8.3GB 1.1GB 2.4MB/s 9.5MB/s LZO-bset 8.3GB 2GB 4MB/s 60.6MB/s LZO 8.3GB 2.9GB 49.3MB/s 74.6MB/s 因此我們可以得出： 1) Bzip2 壓縮效果明顯是最好的，但是 bzip2 壓縮速度慢，可分割。 2) Gzip 壓縮效果不如 Bzip2，但是壓縮解壓速度快，不支持分割。 3) LZO 壓縮效果不如 Bzip2 和 Gzip，但是壓縮解壓速度最快！并且支持分割！ 這里提一下，文件的可分割性在 Hadoop 中是很非常重要的，它會影響到在執(zhí)行作業(yè)時 Map 啟動的個數(shù)，從而會影響到作業(yè)的執(zhí)行效率！ 所有的壓縮算法都顯示出一種時間空間的權衡，更快的壓縮和解壓速度通常會耗費更多的空間。在選擇使用哪種壓縮格式時，我們應該根據(jù)自身的業(yè)務需求來選擇。 下圖是在本地壓縮與通過流將壓縮結果上傳到 BI 的時間對比。 圖 1. 時間對比 圖 1. 時間對比 使用方式 MapReduce 可以在三個階段中使用壓縮。 1. 輸入壓縮文件。如果輸入的文件是壓縮過的，那么在被 MapReduce 讀取時，它們會被自動解壓。 2.MapReduce 作業(yè)中，對 Map 輸出的中間結果集壓縮。實現(xiàn)方式如下： 1）可以在 core-site.xml 文件中配置，代碼如下 圖 2. core-site.xml 代碼示例 圖 2. core-site.xml 代碼示例 2）使用 Java 代碼指定 1 2 conf.setCompressMapOut(true); conf.setMapOutputCompressorClass(GzipCode.class); 最后一行代碼指定 Map 輸出結果的編碼器。 3.MapReduce 作業(yè)中，對 Reduce 輸出的最終結果集壓。實現(xiàn)方式如下： 1）可以在 core-site.xml 文件中配置，代碼如下 圖 3. core-site.xml 代碼示例 圖 3. core-site.xml 代碼示例 2）使用 Java 代碼指定 1 2 conf.setBoolean(“mapred.output.compress”,true); conf.setClass(“mapred.output.compression.codec”,GzipCode.class,CompressionCodec.class); 最后一行同樣指定 Reduce 輸出結果的編碼器。 壓縮框架 我們前面已經(jīng)提到過關于壓縮的使用方式，其中第一種就是將壓縮文件直接作為入口參數(shù)交給 MapReduce 處理，MapReduce 會自動根據(jù)壓縮文件的擴展名來自動選擇合適解壓器處理數(shù)據(jù)。那么到底是怎么實現(xiàn)的呢？如下圖所示： 圖 4. 壓縮實現(xiàn)情形 圖 4. 壓縮實現(xiàn)情形 我們在配置 Job 作業(yè)的時候，會設置數(shù)據(jù)輸入的格式化方式，使用 conf.setInputFormat() 方法，這里的入口參數(shù)是 TextInputFormat.class。 TextInputFormat.class 繼承于 InputFormat.class，主要用于對數(shù)據(jù)進行兩方面的預處理。一是對輸入數(shù)據(jù)進行切分，生成一組 split，一個 split 會分發(fā)給一個 mapper 進行處理；二是針對每個 split，再創(chuàng)建一個 RecordReader 讀取 split 內(nèi)的數(shù)據(jù)，并按照的形式組織成一條 record 傳給 map 函數(shù)進行處理。此類在對數(shù)據(jù)進行切分之前，會首先初始化壓縮解壓工程類 CompressionCodeFactory.class，通過工廠獲取實例化的編碼解碼器 CompressionCodec 后對數(shù)據(jù)處理操作。 下面我們來詳細的看一下從壓縮工廠獲取編碼解碼器的過程。 壓縮解壓工廠類 CompressionCodecFactory 壓縮解壓工廠類 CompressionCodeFactory.class 主要功能就是負責根據(jù)不同的文件擴展名來自動獲取相對應的壓縮解壓器 CompressionCodec.class，是整個壓縮框架的核心控制器。我們來看下 CompressionCodeFactory.class 中的幾個重要方法： 1. 初始化方法 圖 5. 代碼示例 圖 5. 代碼示例 ① getCodeClasses(conf) 負責獲取關于編碼解碼器 CompressionCodec.class 的配置信息。下面將會詳細講解。 ② 默認添加兩種編碼解碼器。當 getCodeClass(conf) 方法沒有讀取到相關的編碼解碼器 CompressionCodec.class 的配置信息時，系統(tǒng)會默認添加兩種編碼解碼器 CompressionCodec.class，分別是 GzipCode.class 和 DefaultCode.class。 ③ addCode(code) 此方法用于將編碼解碼器 CompressionCodec.class 添加到系統(tǒng)緩存中。下面將會詳細講解。 2. getCodeClasses(conf) 圖 6. 代碼示例 圖 6. 代碼示例 ① 這里我們可以看，系統(tǒng)讀取關于編碼解碼器 CompressionCodec.class 的配置信息在 core-site.xml 中 io.compression.codes 下。我們看下這段配置文件，如下圖所示： 圖 7. 代碼示例 圖 7. 代碼示例 Value 標簽中是每個編碼解碼 CompressionCodec.class 的完整路徑，中間用逗號分隔。我們只需要將自己需要使用到的編碼解碼配置到此屬性中，系統(tǒng)就會自動加載到緩存中。 除了上述的這種方式以外，Hadoop 為我們提供了另一種加載方式：代碼加載。同樣最終將信息配置在 io.compression.codes 屬性中，代碼如下： 1 2 conf.set("io.compression.codecs","org.apache.hadoop.io.compress.DefaultCodec, org.apache.hadoop.io.compress.GzipCodec,com.hadoop.compression.lzo.LzopCodec");) 3. addCode(code) 方法添加編碼解碼器 圖 8. 代碼示例 圖 8. 代碼示例 addCodec(codec) 方法入口參數(shù)是個編碼解碼器 CompressionCodec.class，這里我們會首先接觸到它的一個方法。 ① codec.getDefaultExtension() 方法看方法名的字面意思我們就可以知道，此方法用于獲取此編碼解碼所對應文件的擴展名，比如，文件名是 xxxx.gz2，那么這個方法的返回值就是“.bz2”，我們來看下 org.apache.hadoop.io.compress.BZip2Codec 此方法的實現(xiàn)代碼： 圖 9. 代碼示例 圖 9. 代碼示例 ② Codecs 是一個 SortedMap 的示例。這里有個很有意思的地方，它將 Key 值，也就是通過 codec.getDefaultExtension() 方法獲取到的文件擴展名進行了翻轉(zhuǎn)，舉個例子，比如文件名擴展名“.bz2”，將文件名翻轉(zhuǎn)之后就變成了“2zb.”。 系統(tǒng)加載完所有的編碼解碼器后，我們可以得到這樣一個有序映射表，如下： 圖 10. 代碼示例 圖 10. 代碼示例 現(xiàn)在編碼解碼器都有了，我們怎么得到對應的編碼解碼器呢？看下面這個方法。 4. getCodec() 方法 此方法用于獲取文件所對應的的編碼解碼器 CompressionCodec.class。 圖 11. 代碼示例 圖 11. 代碼示例 getCodec(Path) 方法的輸入?yún)?shù)是 Path 對象，保存著文件路徑。 ① 將文件名翻轉(zhuǎn)。如 xxxx.bz2 翻轉(zhuǎn)成 2zb.xxxx。 ② 獲取 codecs 集合中最接近 2zb.xxxx 的值。此方法有返回值同樣是個 SortMap 對象。 在這里對返回的 SortMap 對象進行第二次篩選。 編碼解碼器 CompressionCodec 剛剛在介紹壓縮解壓工程類 CompressionCodeFactory.class 的時候，我們多次提到了壓縮解壓器 CompressionCodecclass，并且我們在上文中還提到了它其中的一個用于獲取文件擴展名的方法 getDefaultExtension()。 壓縮解壓工程類 CompressionCodeFactory.class 使用的是抽象工廠的設計模式。它是一個接口，制定了一系列方法，用于創(chuàng)建特定壓縮解壓算法。下面我們來看下比較重要的幾個方法： 1. createOutputStream() 方法對數(shù)據(jù)流進行壓縮。 圖 12. 代碼示例 圖 12. 代碼示例 此方法提供了方法重載。 ① 基于流的壓縮處理； ② 基于壓縮機 Compress.class 的壓縮處理 2. createInputStream() 方法對數(shù)據(jù)流進行解壓。 圖 13. 代碼示例 圖 13. 代碼示例 這里的解壓方法同樣提供了方法重載。 ① 基于流的解壓處理； ② 基于解壓機 Decompressor.class 的解壓處理； 關于壓縮/解壓流與壓縮/解壓機會在下面的文章中我們會詳細講解。此處暫作了解。 3. getCompressorType() 返回需要的編碼器的類型。 getDefaultExtension() 獲取對應文件擴展名的方法。前文已提到過，不再敖述。 壓縮機 Compressor 和解壓機 Decompressor 前面在編碼解碼器部分的 createInputStream() 和 createInputStream() 方法中我們提到過 Compressor.class 和 Decompressor.class 對象。在 Hadoop 的實現(xiàn)中，數(shù)據(jù)編碼器和解碼器被抽象成了兩個接口： 1. org.apache.hadoop.io.compress.Compressor; 2. org.apache.hadoop.io.compress.Decompressor; 它們規(guī)定了一系列的方法，所以在 Hadoop 內(nèi)部的編碼/解碼算法實現(xiàn)都需要實現(xiàn)對應的接口。在實際的數(shù)據(jù)壓縮與解壓縮過程，Hadoop 為用戶提供了統(tǒng)一的 I/O 流處理模式。 我們看一下壓縮機 Compressor.class，代碼如下： 圖 14. 代碼示例 圖 14. 代碼示例 ① setInput() 方法接收數(shù)據(jù)到內(nèi)部緩沖區(qū)，可以多次調(diào)用； ② needsInput() 方法用于檢查緩沖區(qū)是否已滿。如果是 false 則說明當前的緩沖區(qū)已滿； ③ getBytesRead() 輸入未壓縮字節(jié)的總數(shù)； ④ getBytesWritten() 輸出壓縮字節(jié)的總數(shù)； ⑤ finish() 方法結束數(shù)據(jù)輸入的過程； ⑥ finished() 方法用于檢查是否已經(jīng)讀取完所有的等待壓縮的數(shù)據(jù)。如果返回 false，表明壓縮器中還有未讀取的壓縮數(shù)據(jù)，可以繼續(xù)通過 compress() 方法讀?。? ⑦ compress() 方法獲取壓縮后的數(shù)據(jù)，釋放緩沖區(qū)空間； ⑧ reset() 方法用于重置壓縮器，以處理新的輸入數(shù)據(jù)集合； ⑨ end() 方法用于關閉解壓縮器并放棄所有未處理的輸入； ⑩ reinit() 方法更進一步允許使用 Hadoop 的配置系統(tǒng)，重置并重新配置壓縮器； 為了提高壓縮效率，并不是每次用戶調(diào)用 setInput() 方法，壓縮機就會立即工作，所以，為了通知壓縮機所有數(shù)據(jù)已經(jīng)寫入，必須使用 finish() 方法。finish() 調(diào)用結束后，壓縮機緩沖區(qū)中保持的已經(jīng)壓縮的數(shù)據(jù)，可以繼續(xù)通過 compress() 方法獲得。至于要判斷壓縮機中是否還有未讀取的壓縮數(shù)據(jù)，則需要利用 finished() 方法來判斷。 壓縮流 CompressionOutputStream 和解壓縮流 CompressionInputStream 前文編碼解碼器部分提到過 createInputStream() 方法返回 CompressionOutputStream 對象，createInputStream() 方法返回 CompressionInputStream 對象。這兩個類分別繼承自 java.io.OutputStream 和 java.io.InputStream。從而我們不難理解，這兩個對象的作用了吧。 我們來看下 CompressionInputStream.class 的代碼： 圖 15. 代碼示例 圖 15. 代碼示例 可以看到 CompressionOutputStream 實現(xiàn)了 OutputStream 的 close() 方法和 flush() 方法，但用于輸出數(shù)據(jù)的 write() 方法以及用于結束壓縮過程并將輸入寫到底層流的 finish() 方法和重置壓縮狀態(tài)的 resetState() 方法還是抽象方法，需要 CompressionOutputStream 的子類實現(xiàn)。 Hadoop 壓縮框架中為我們提供了一個實現(xiàn)了 CompressionOutputStream 類通用的子類 CompressorStream.class。 圖 16. 代碼示例 圖 16. 代碼示例 CompressorStream.class 提供了三個不同的構造函數(shù)，CompressorStream 需要的底層輸出流 out 和壓縮時使用的壓縮器，都作為參數(shù)傳入構造函數(shù)。另一個參數(shù)是 CompressorStream 工作時使用的緩沖區(qū) buffer 的大小，構造時會利用這個參數(shù)分配該緩沖區(qū)。第一個可以手動設置緩沖區(qū)大小，第二個默認 512，第三個沒有緩沖區(qū)且不可使用壓縮器。 圖 17. 代碼示例 圖 17. 代碼示例 在 write()、compress()、finish() 以及 resetState() 方法中，我們發(fā)現(xiàn)了壓縮機 Compressor 的身影，前面文章我們已經(jīng)介紹過壓縮機的的實現(xiàn)過程，通過調(diào)用 setInput() 方法將待壓縮數(shù)據(jù)填充到內(nèi)部緩沖區(qū)，然后調(diào)用 needsInput() 方法檢查緩沖區(qū)是否已滿，如果緩沖區(qū)已滿，將調(diào)用 compress() 方法對數(shù)據(jù)進行壓縮。流程如下圖所示： 圖 18. 調(diào)用流程圖 圖 18. 調(diào)用流程圖 結束語 本文深入到 Hadoop 平臺壓縮框架內(nèi)部，對其核心代碼以及各壓縮格式的效率進行對比分析，以幫助讀者在使用 Hadoop 平臺時，可以通過對數(shù)據(jù)進行壓縮處理來提高數(shù)據(jù)處理效率。當再次面臨海量數(shù)據(jù)處理時， Hadoop 平臺的壓縮機制可以讓我們事半功倍。 相關主題 Hadoop 在線 API 《Hadoop 技術內(nèi)幕深入解析 HADOOP COMMON 和 HDFS 架構設計與實現(xiàn)原理》 developerWorks 開源技術主題：查找豐富的操作信息、工具和項目更新，幫助您掌握開源技術并將其用于 IBM 產(chǎn)品。

posted @ 2017-09-14 17:35 xzc 閱讀(560) | 評論 (0) | 編輯 收藏

Linux系統(tǒng)查看當前主機CPU、內(nèi)存、機器型號及主板信息

Linux系統(tǒng)查看當前主機CPU、內(nèi)存、機器型號及主板信息：

查看CPU信息（型號）
# cat /proc/cpuinfo | grep name | cut -f2 -d: | uniq -c

 

查看內(nèi)存信息
# cat /proc/meminfo

 

查看主板型號：
# dmidecode |grep -A16 "System Information$"

 

查看機器型號
# dmidecode | grep "Product Name"

 

查看當前操作系統(tǒng)內(nèi)核信息
# uname -a

 

查看當前操作系統(tǒng)發(fā)行版信息
# cat /etc/issue | grep Linux

posted @ 2017-09-10 16:37 xzc 閱讀(247) | 評論 (0) | 編輯 收藏

Hadoop YARN最近幾個新特性

本文介紹Hadoop YARN最近版本中增加的幾個非常有用的特性，包括： （1）ResourceManager HA 在apache hadoop 2.4或者CDH5.0.0版本之后，增加了ResourceManger HA特性，支持基于Zookeeper的熱主備切換，具體配置參數(shù)可以參考Cloudera的文檔：ResourceManager HA配置。 需要注意的是，ResourceManager HA只完成了第一個階段的設計，即備ResourceManager啟動后，會殺死之前正在運行的Application，然后從共享存儲系統(tǒng)中讀取這些Application的元數(shù)據(jù)信息，并重新提交這些Application。啟動ApplicationMaster后，剩下的容錯功能就交給ApplicationMaster實現(xiàn)了，比如MapReduce的ApplicationMaster會不斷地將完成的任務信息寫到HDFS上，這樣，當它重啟時，可以重新讀取這些日志，進而只需重新運行那些未完成的任務。ResourceManager HA第二個階段的任務是，備ResourceManager接管主ResourceManager后，無需殺死那些正在運行的Application，讓他們像任何事情沒有發(fā)生一樣運行下去。 （2） 磁盤容錯 在apache hadoop 2.4或者CDH5.0.0版本之后，增加了幾個對多磁盤非常友好地參數(shù)，這些參數(shù)允許YARN更好地使用NodeManager上的多塊磁盤，相關jira為：YARN-1781，主要新增了三個參數(shù)： yarn.nodemanager.disk-health-checker.min-healthy-disks：NodeManager上最少保證健康磁盤比例，當健康磁盤比例低于該值時，NodeManager不會再接收和啟動新的Container，默認值是0.25，表示25%； yarn.nodemanager.disk-health-checker.max-disk-utilization-per-disk-percentage：一塊磁盤的最高使用率，當一塊磁盤的使用率超過該值時，則認為該盤為壞盤，不再使用該盤，默認是100，表示100%，可以適當調(diào)低； yarn.nodemanager.disk-health-checker.min-free-space-per-disk-mb：一塊磁盤最少保證剩余空間大小，當某塊磁盤剩余空間低于該值時，將不再使用該盤，默認是0，表示0MB。 （3）資源調(diào)度器 Fair Scheduler：Fair Scheduler增加了一個非常有用的新特性，允許用戶在線將一個應用程序從一個隊列轉(zhuǎn)移到另外一個隊列，比如將一個重要作業(yè)從一個低優(yōu)先級隊列轉(zhuǎn)移到高優(yōu)先級隊列，操作命令是：bin/yarn application -movetoqueue appID -queue targetQueueName，相關jira為：YARN-1721。 Capacity Scheduler：Capacity Scheduler中資源搶占功能經(jīng)過了充分的測試，可以使用了。 原創(chuàng)文章，轉(zhuǎn)載請注明： 轉(zhuǎn)載自董的博客 本文鏈接地址: http://dongxicheng.org/mapreduce-nextgen/hadoop-yarn-recently-new-features/

posted @ 2017-09-07 11:37 xzc 閱讀(277) | 評論 (0) | 編輯 收藏

apreduce on yarn簡單內(nèi)存分配解釋

關于mapreduce程序運行在yarn上時內(nèi)存的分配一直是一個讓我蒙圈的事情，單獨查任何一個資料都不能很好的理解透徹。于是，最近查了大量的資料，綜合各種解釋，終于理解到了一個比較清晰的程度，在這里將理解的東西做一個簡單的記錄，以備忘卻。 首先，先將關于mapreduce和yarn關于內(nèi)存分配的參數(shù)粘貼上: yarn.scheduler.minimum-allocation-mb yarn.scheduler.maximum-allocation-mb yarn.nodemanager.resource.memory-mb yarn.nodemanager.vmem-pmem-ratio yarn.scheduler.increment-allocation-mb mapreduce.map.memory.mb mapreduce.reduce.memory.mb mapreduce.map.java.opts mapreduce.reduce.java.opts 個人認為，針對mapreduce任務，這些參數(shù)只有放在一起學習才能真正理解，如果單獨考慮，理解不清晰。下面開始詳細講解。 一、理解參數(shù)yarn.nodemanager.resource.memory-mb,yarn.nodemanager.vmem-pmem-ratio yarn.nodemanager.resource.memory-mb很簡單，就是你的這臺服務器節(jié)點上準備分給yarn的內(nèi)存; yarn.nodemanager.vmem-pmem-ratio網(wǎng)上解釋都是"每使用1MB物理內(nèi)存，最多可用的虛擬內(nèi)存數(shù)，默認2.1"，但是目前我還是不太理解其作用是什么，有知道的朋友希望能詳細解釋下。 二、理解參數(shù)yarn.scheduler.minimum-allocation-mb和yarn.scheduler.maximum-allocation-mb 都知道，在yarn上運行程序時每個task都是在獨立的Container中運行的，單個Container可以申請的最小和最大內(nèi)存的限制就是這兩個參數(shù)，注意，并不是這兩個參數(shù)決定單個Container申請內(nèi)存的大小，而僅僅是限制的一個范圍。 三、理解yarn的內(nèi)存規(guī)整化因子和內(nèi)存規(guī)整化算法 先不說和哪個參數(shù)有關，單純理解這一概念。舉例: 假如規(guī)整化因子b=512M，上述講的參數(shù)yarn.scheduler.minimum-allocation-mb為1024，yarn.scheduler.maximum-allocation-mb為8096，然后我打算給單個map任務申請內(nèi)存資源(mapreduce.map.memory.mb): 申請的資源為a=1000M時，實際得到的Container內(nèi)存大小為1024M(小于yarn.scheduler.minimum-allocation-mb的話自動設置為yarn.scheduler.minimum-allocation-mb); 申請的資源為a=1500M時，實際得到的Container內(nèi)存大小為1536M，計算公式為:ceiling(a/b)*b，即ceiling(a/b)=ceiling(1500/512)=3,3*512=1536。此處假如b=1024，則Container實際內(nèi)存大小為2048M 也就是說Container實際內(nèi)存大小最小為yarn.scheduler.minimum-allocation-mb值，然后增加時的最小增加量為規(guī)整化因子b，最大不超過yarn.scheduler.maximum-allocation-mb 四、理解mapreduce.map.memory.mb、mapreduce.reduce.memory.mb "三"中提到的"打算給單個map任務申請內(nèi)存資源"也就是a,其實就是指的"mapreduce.map.memory.mb"或"mapreduce.reduce.memory.mb"，注意其值不要超過yarn.scheduler.maximum-allocation-mb 五、理解mapreduce.map.java.opts、mapreduce.reduce.java.opts 以map任務為例，Container其實就是在執(zhí)行一個腳本文件，而腳本文件中，會執(zhí)行一個 Java 的子進程，這個子進程就是真正的 Map Task，mapreduce.map.java.opts 其實就是啟動 JVM 虛擬機時，傳遞給虛擬機的啟動參數(shù)，而默認值 -Xmx200m 表示這個 Java 程序可以使用的最大堆內(nèi)存數(shù)，一旦超過這個大小，JVM 就會拋出 Out of Memory 異常，并終止進程。而 mapreduce.map.memory.mb 設置的是 Container 的內(nèi)存上限，這個參數(shù)由 NodeManager 讀取并進行控制，當 Container 的內(nèi)存大小超過了這個參數(shù)值，NodeManager 會負責 kill 掉 Container。在后面分析 yarn.nodemanager.vmem-pmem-ratio 這個參數(shù)的時候，會講解 NodeManager 監(jiān)控 Container 內(nèi)存（包括虛擬內(nèi)存和物理內(nèi)存）及 kill 掉 Container 的過程。 也就是說，mapreduce.map.java.opts一定要小于mapreduce.map.memory.mb mapreduce.reduce.java.opts同mapreduce.map.java.opts一樣的道理。 六、理解規(guī)整化因子指的是哪個參數(shù) "三"中提到的規(guī)整化因子也就是b，具體指的是哪個參數(shù)和yarn使用的調(diào)度器有關，一共有三種調(diào)度器:capacity scheduler（默認調(diào)度器）、fair scheduler和fifo scheduler 當使用capacity scheduler或者fifo scheduler時，規(guī)整化因子指的就是參數(shù)yarn.scheduler.minimum-allocation-mb，不能單獨配置，即yarn.scheduler.increment-allocation-mb無作用; 當使用fair scheduler時，規(guī)整化因子指的是參數(shù)yarn.scheduler.increment-allocation-mb 至此，關于yarn和mapreduce的任務內(nèi)存配置問題講完了，這也是我目前理解的層次。

posted @ 2017-08-30 21:05 xzc 閱讀(308) | 評論 (0) | 編輯 收藏

Python日期的加減等操作

1. 日期輸出格式化

所有日期、時間的api都在datetime模塊內(nèi)。

1. datetime => string

now = datetime.datetime.now()
now.strftime('%Y-%m-%d %H:%M:%S')
#輸出2012-03-05 16:26:23.870105

strftime是datetime類的實例方法。

2. string => datetime

t_str = '2012-03-05 16:26:23'
d = datetime.datetime.strptime(t_str, '%Y-%m-%d %H:%M:%S')

strptime是datetime類的靜態(tài)方法。

2. 日期比較操作

在datetime模塊中有timedelta類，這個類的對象用于表示一個時間間隔，比如兩個日期或者時間的差別。

構造方法：

datetime.timedelta(days=0, seconds=0, microseconds=0, milliseconds=0, minutes=0, hours=0, weeks=0)

所有的參數(shù)都有默認值0，這些參數(shù)可以是int或float，正的或負的。

可以通過timedelta.days、tiemdelta.seconds等獲取相應的時間值。

timedelta類的實例，支持加、減、乘、除等操作，所得的結果也是timedelta類的實例。比如：

year = timedelta(days=365)
ten_years = year *10
nine_years = ten_years - year

同時，date、time和datetime類也支持與timedelta的加、減運算。

datetime1 = datetime2 +/- timedelta
timedelta = datetime1 - datetime2

這樣，可以很方便的實現(xiàn)一些功能。

1. 兩個日期相差多少天。

d1 = datetime.datetime.strptime('2012-03-05 17:41:20', '%Y-%m-%d %H:%M:%S')
d2 = datetime.datetime.strptime('2012-03-02 17:41:20', '%Y-%m-%d %H:%M:%S')
delta = d1 - d2
print delta.days

輸出：3

2. 今天的n天后的日期。

now = datetime.datetime.now()
delta = datetime.timedelta(days=3)
n_days = now + delta
print n_days.strftime('%Y-%m-%d %H:%M:%S')

輸出：2012-03-08 17:44:50

#coding=utf-8
import datetime
now=datetime.datetime.now()
print now
#將日期轉(zhuǎn)化為字符串 datetime => string
print now.strftime('%Y-%m-%d %H:%M:%S')

t_str = '2012-03-05 16:26:23'
#將字符串轉(zhuǎn)換為日期 string => datetime
d=datetime.datetime.strptime(t_str,'%Y-%m-%d %H:%M:%S')
print d

#在datetime模塊中有timedelta類，這個類的對象用于表示一個時間間隔，比如兩個日#期或者時間的差別。

#計算兩個日期的間隔
d1 = datetime.datetime.strptime('2012-03-05 17:41:20', '%Y-%m-%d %H:%M:%S')
d2 = datetime.datetime.strptime('2012-03-02 17:41:20', '%Y-%m-%d %H:%M:%S')
delta = d1 - d2
print delta.days
print delta

#今天的n天后的日期。
now=datetime.datetime.now()
delta=datetime.timedelta(days=3)
n_days=now+delta
print n_days.strftime('%Y-%m-%d %H:%M:%S')

posted @ 2017-08-14 23:09 xzc 閱讀(1369) | 評論 (0) | 編輯 收藏

linux shell 多線程執(zhí)行程序

Shell中并沒有真正意義的多線程，要實現(xiàn)多線程可以啟動多個后端進程，最大程度利用cpu性能。

直接看代碼示例吧。

(1) 順序執(zhí)行的代碼

 1 #!/bin/bash  2 date  3 for i in `seq 1 5`  4 do  5 {  6     echo "sleep 5"  7     sleep 5  8 }  9 done 10 date 

輸出：

Sat Nov 19 09:21:51 CST 2016 sleep 5 sleep 5 sleep 5 sleep 5 sleep 5 Sat Nov 19 09:22:16 CST 2016

(2) 并行代碼

使用'&'+wait 實現(xiàn)“多進程”實現(xiàn)

 1 #!/bin/bash  2 date  3 for i in `seq 1 5`  4 do  5 {  6     echo "sleep 5"  7     sleep 5  8 } &  9 done 10 wait  ##等待所有子后臺進程結束 11 date

輸出：

Sat Nov 19 09:25:07 CST 2016 sleep 5 sleep 5 sleep 5 sleep 5 sleep 5 Sat Nov 19 09:25:12 CST 2016

 (3) 對于大量處理任務如何實現(xiàn)啟動后臺進程的數(shù)量可控？

　　簡單的方法可以使用2層for/while循環(huán)實現(xiàn)，每次wait內(nèi)層循環(huán)的多個后臺程序執(zhí)行完成。

　　但是這種方式的問題是，如果內(nèi)層循環(huán)有“慢節(jié)點”可能導致整個任務的執(zhí)行執(zhí)行時間長。

　　更高級的實現(xiàn)可以看(4)

(4) 使用命名管道(fifo)實現(xiàn)每次啟動后臺進程數(shù)量可控。 

 1 #!/bin/bash  2   3 function my_cmd(){  4     t=$RANDOM  5     t=$[t%15]  6     sleep $t  7     echo "sleep $t s"  8 }  9  10 tmp_fifofile="/tmp/$$.fifo"  11 mkfifo $tmp_fifofile      # 新建一個fifo類型的文件 12 exec 6<>$tmp_fifofile     # 將fd6指向fifo類型 13 rm $tmp_fifofile    #刪也可以 14  15 thread_num=5  # 最大可同時執(zhí)行線程數(shù)量 16 job_num=100   # 任務總數(shù) 17  18 #根據(jù)線程總數(shù)量設置令牌個數(shù) 19 for ((i=0;i<${thread_num};i++));do 20     echo 21 done >&6  22  23 for ((i=0;i<${job_num};i++));do # 任務數(shù)量 24     # 一個read -u6命令執(zhí)行一次，就從fd6中減去一個回車符，然后向下執(zhí)行， 25     # fd6中沒有回車符的時候，就停在這了，從而實現(xiàn)了線程數(shù)量控制 26     read -u6  27  28     #可以把具體的需要執(zhí)行的命令封裝成一個函數(shù) 29     {    30         my_cmd 31     } & 32  33     echo >&6 # 當進程結束以后，再向fd6中加上一個回車符，即補上了read -u6減去的那個 34 done 35  36 wait 37 exec 6>&- # 關閉fd6 38 echo "over"

 

參考:http://lawrence-zxc.github.io/2012/06/16/shell-thread/

posted @ 2017-08-02 17:01 xzc 閱讀(356) | 評論 (0) | 編輯 收藏