原文鏈接：http://www.cnblogs.com/juandx/p/4962089.html python中對(duì)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(dāng)前工作目錄，即當(dāng)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(gè)文件:os.remove() 刪除多個(gè)目錄：os.removedirs（r“c：\python”） 檢驗(yàn)給出的路徑是否是一個(gè)文件：os.path.isfile() 檢驗(yàn)給出的路徑是否是一個(gè)目錄：os.path.isdir() 判斷是否是絕對(duì)路徑：os.path.isabs() 檢驗(yàn)給出的路徑是否真地存:os.path.exists() 返回一個(gè)路徑的目錄名和文件名:os.path.split() eg os.path.split(‘/home/swaroop/byte/code/poem.txt’) 結(jié)果：(‘/home/swaroop/byte/code’, ‘poem.txt’) 分離擴(kuò)展名：os.path.splitext() 獲取路徑名：os.path.dirname() 獲取文件名：os.path.basename() 運(yùn)行shell命令: os.system() 讀取和設(shè)置環(huán)境變量:os.getenv() 與os.putenv() 給出當(dāng)前平臺(tái)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(tái)：os.name 對(duì)于Windows，它是’nt’，而對(duì)于Linux/Unix用戶，它是’posix’ 重命名：os.rename（old， new） 創(chuàng)建多級(jí)目錄：os.makedirs（r“c：\python\test”） 創(chuàng)建單個(gè)目錄：os.mkdir（“test”） 獲取文件屬性：os.stat（file） 修改文件權(quán)限與時(shí)間戳：os.chmod（file） 終止當(dāng)前進(jìn)程：os.exit（） 獲取文件大小：os.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(gè)文件，如果文件不存在則創(chuàng)建文件 關(guān)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(shí)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(jìn)制讀模式打開 wb 以二進(jìn)制寫模式打開 (參見 w ) ab 以二進(jìn)制追加模式打開 (參見 a ) rb+ 以二進(jìn)制讀寫模式打開 (參見 r+ ) wb+ 以二進(jìn)制讀寫模式打開 (參見 w+ ) ab+ 以二進(jìn)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(gè)list的一個(gè)成員，并返回這個(gè)list。其實(shí)它的內(nèi)部是通過循環(huán)調(diào)用readline()來實(shí)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(huì)在str后加上一個(gè)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(gè)函數(shù)也只是忠實(shí)地寫入，不會(huì)在每行后面加上任何東西。 fp.close() #關(guān)閉文件。python會(huì)在一個(gè)文件不用后自動(dòng)關(guān)閉文件，不過這一功能沒有保證，最好還是養(yǎng)成自己關(guān)閉的習(xí)慣。 如果一個(gè)文件在關(guān)閉后還對(duì)其進(jìn)行操作會(huì)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(gè)長整型的”文件標(biāo)簽“ fp.isatty() #文件是否是一個(gè)終端設(shè)備文件（unix系統(tǒng)中的） fp.tell() #返回文件操作標(biāo)記的當(dāng)前位置，以文件的開頭為原點(diǎn) fp.next() #返回下一行，并將文件操作標(biāo)記位移到下一行。把一個(gè)file用于for … in file這樣的語句時(shí)，就是調(diào)用next()函數(shù)來實(shí)現(xiàn)遍歷的。 fp.seek(offset[,whence]) #將文件打操作標(biāo)記移到offset的位置。這個(gè)offset一般是相對(duì)于文件的開頭來計(jì)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(jì)算，1表示以當(dāng)前位置為原點(diǎn)計(jì)算。2表示以文件末尾為原點(diǎn)進(jìn)行計(jì)算。需要注意，如果文件以a或a+的模式打開，每次進(jìn)行寫操作時(shí)，文件操作標(biāo)記會(huì)自動(dòng)返回到文件末尾。 fp.truncate([size]) #把文件裁成規(guī)定的大小，默認(rèn)的是裁到當(dāng)前文件操作標(biāo)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(bǔ)到相應(yīng)的大小，也可能是以一些隨機(jī)的內(nèi)容加上去。 目錄操作： os.mkdir(“file”) 創(chuàng)建目錄 復(fù)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(biāo)目錄 復(fù)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(dòng)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(duì)象的close()方法。比如可以用try/finally語句來確保最后能關(guān)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?yàn)楫?dāng)打開文件出現(xiàn)異常時(shí)，文件對(duì)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(gè)參數(shù)默認(rèn)為r input = open('data') 1 2 3 讀二進(jìn)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(duì)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(jìn)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(huì)比使用write一次性寫入要高。 在處理日志文件的時(shí)候，常常會(huì)遇到這樣的情況：日志文件巨大，不可能一次性把整個(gè)文件讀入到內(nèi)存中進(jìn)行處理，例如需要在一臺(tái)物理內(nèi)存為 2GB 的機(jī)器上處理一個(gè) 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(duì)象直接提供了一個(gè) 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(huì)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(huì)稍微比 sizehint 指定的值大一點(diǎn)（除最后一次調(diào)用 readlines(sizehint) 函數(shù)的時(shí)候）。通常情況下，Python 會(huì)自動(dòng)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(gè)特殊的類型，它用于在python程序中對(duì)外部的文件進(jìn)行操作。在python中一切都是對(duì)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(gè)file對(duì)象： file(name[, mode[, buffering]]) 1 file()函數(shù)用于創(chuàng)建一個(gè)file對(duì)象，它有一個(gè)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(rèn)） 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(dòng)創(chuàng)建。此外，用w模式打開一個(gè)已經(jīng)存在的文件時(shí)，原有文件的內(nèi)容會(huì)被清空，因?yàn)橐婚_始文件的操作的標(biāo)記是在文件的開頭的，這時(shí)候進(jìn)行寫操作，無疑會(huì)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(gè)\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(huì)有一個(gè)tuple用來存貯這個(gè)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(biāo)識(shí)，分別表示可以對(duì)文件同時(shí)進(jìn)行讀寫操作和用二進(jìn)制模式、文本模式（默認(rèn)）打開文件。 buffering如果為0表示不進(jìn)行緩沖;如果為1表示進(jìn)行“行緩沖“;如果是一個(gè)大于1的數(shù)表示緩沖區(qū)的大小，應(yīng)該是以字節(jié)為單位的。 file對(duì)象有自己的屬性和方法。先來看看file的屬性。 closed #標(biāo)記文件是否已經(jīng)關(guān)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(gè)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(gè)list的一個(gè)成員，并返回這個(gè)list。其實(shí)它的內(nèi)部是通過循環(huán)調(diào)用readline()來實(shí)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(huì)在str后加上一個(gè)換行符 F.writelines(seq) #把seq的內(nèi)容全部寫到文件中。這個(gè)函數(shù)也只是忠實(shí)地寫入，不會(huì)在每行后面加上任何東西。 file的其他方法： F.close() #關(guān)閉文件。python會(huì)在一個(gè)文件不用后自動(dòng)關(guān)閉文件，不過這一功能沒有保證，最好還是養(yǎng)成自己關(guān)閉的習(xí)慣。如果一個(gè)文件在關(guān)閉后還對(duì)其進(jìn)行操作會(huì)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(gè)長整型的”文件標(biāo)簽“ F.isatty() #文件是否是一個(gè)終端設(shè)備文件（unix系統(tǒng)中的） F.tell() #返回文件操作標(biāo)記的當(dāng)前位置，以文件的開頭為原點(diǎn) F.next() #返回下一行，并將文件操作標(biāo)記位移到下一行。把一個(gè)file用于for ... in file這樣的語句時(shí)，就是調(diào)用next()函數(shù)來實(shí)現(xiàn)遍歷的。 F.seek(offset[,whence]) #將文件打操作標(biāo)記移到offset的位置。這個(gè)offset一般是相對(duì)于文件的開頭來計(jì)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(jì)算，1表示以當(dāng)前位置為原點(diǎn)計(jì)算。2表示以文件末尾為原點(diǎn)進(jìn)行計(jì)算。需要注意，如果文件以a或a+的模式打開，每次進(jìn)行寫操作時(shí)，文件操作標(biāo)記會(huì)自動(dòng)返回到文件末尾。 F.truncate([size]) #把文件裁成規(guī)定的大小，默認(rèn)的是裁到當(dāng)前文件操作標(biāo)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(bǔ)到相應(yīng)的大小，也可能是以一些隨機(jī)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(gè)參數(shù)是個(gè)client參數(shù)，即node level參數(shù)。需要在每臺(tái)datanode上設(shè)置。 其實(shí)默認(rèn)為3個(gè)副本已經(jīng)夠用了，設(shè)置太多也沒什么用。 一個(gè)文件，上傳到hdfs上時(shí)指定的是幾個(gè)副本就是幾個(gè)。以后你修改了副本數(shù)，對(duì)已經(jīng)上傳了的文件也不會(huì)起作用。可以再上傳文件的同時(shí)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(dāng)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(gè)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(gè)datanode，但是你卻指定副本數(shù)為4，是不會(huì)生效的，因?yàn)槊總€(gè)datanode上只能存放一個(gè)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(gè)大的版本分支，Python2和Python3，又由于一些庫只支持某個(gè)版本分支，所以需要在電腦上同時(shí)安裝Python2和Python3，因此如何讓兩個(gè)版本的Python兼容，如何讓腳本在對(duì)應(yīng)的Python版本上運(yùn)行，這個(gè)是值得總結(jié)的。 對(duì)于Ubuntu 16.04 LTS版本來說，Python2（2.7.12）和Python3（3.5.2）默認(rèn)同時(shí)安裝，默認(rèn)的python版本是2.7.12。 當(dāng)然你也可以用python2來調(diào)用。 如果想調(diào)用python3，就用python3. 對(duì)于Windows，就有點(diǎn)復(fù)雜了。因?yàn)椴徽損ython2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(hào)取決于環(huán)境變量里哪個(gè)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(hào)。 這就帶來一個(gè)問題了，如果你想用python2運(yùn)行一個(gè)腳本，一會(huì)你又想用python3運(yùn)行另一個(gè)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(gè)python.exe改名啊，一個(gè)改成python2.exe，一個(gè)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(xì)查找了一些python技術(shù)文檔，發(fā)現(xiàn)另外一個(gè)我覺得比較好的解決辦法。 借用py的一個(gè)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(dāng)python腳本需要python2運(yùn)行時(shí)，只需在腳本前加上，然后運(yùn)行py xxx.py即可。 #! python2 當(dāng)python腳本需要python3運(yùn)行時(shí)，只需在腳本前加上，，然后運(yùn)行py xxx.py即可。 #! python3 就這么簡單。 同時(shí)，這也完美解決了在pip在python2和python3共存的環(huán)境下報(bào)錯(cuò)，提示Fatal error in launcher: Unable to create process using '"'的問題。 當(dāng)需要python2的pip時(shí)，只需 py -2 -m pip install xxx 當(dāng)需要python3的pip時(shí)，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(quán)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(guān)系數(shù)據(jù)庫很相似。需要注意的是：當(dāng)sentry服務(wù)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(gè)可以被賦權(quán)的角色。權(quán)限可以賦給角色，然后再分配給各個(gè)用戶。一個(gè)用戶被分配到角色后可以執(zhí)行該角色的權(quán)限。 只有擁有管理員的角色可以create/drop角色。默認(rèn)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(gè)角色。一旦移除，之前分配給所有用戶的該角色將會(huì)取消。之前已經(jīng)執(zhí)行的語句不會(huì)受到影響。但是，因?yàn)閔ive在執(zhí)行每條查詢語句之前會(huì)檢查用戶的權(quán)限，處于登錄活躍狀態(tài)的用戶會(huì)話會(huì)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(gè)對(duì)象的權(quán)限給一個(gè)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?yàn)橹挥姓J(rèn)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(gè)組的權(quán)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(quán)限。比如，一個(gè)角色被授予了WITH GRANT OPTION的權(quán)限可以GRANT/REVOKE同樣的權(quán)限給其他角色。因此，如果一個(gè)角色有一個(gè)庫的所有權(quán)限并且設(shè)置了 WITH GRANT OPTION，該角色分配的用戶可以對(duì)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(gè)帶GRANT選項(xiàng)的特殊權(quán)限的角色或者它的父級(jí)權(quán)限可以從其他角色解除這種權(quán)限。一旦下面的語句執(zhí)行，所有跟其相關(guān)的grant權(quán)限將會(huì)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(gè)角色 WITH GRANT OPTION 的權(quán)限。要想移除WITH GRANT OPTION、解除權(quán)限，可以重新去除 WITH GRANT OPTION這個(gè)標(biāo)記來再次附權(quán)。 SET ROLE Statement SET ROLE語句可以給當(dāng)前會(huì)話選擇一個(gè)角色使之生效。一個(gè)用戶只能啟用分配給他的角色。任何不存在的角色和當(dāng)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(huì)使用任何一個(gè)屬于他的角色的權(quán)限。 選擇一個(gè)角色使用： To enable a specific role: 使用所有的角色： To enable a specific role: 關(guān)閉所有角色 SET ROLE NONE; SHOW Statement 顯示當(dāng)前用戶擁有庫、表、列相關(guān)權(quán)限的數(shù)據(jù)庫： SHOW DATABASES; 顯示當(dāng)前用戶擁有表、列相關(guān)權(quán)限的表； SHOW TABLES; 顯示當(dāng)前用戶擁有SELECT權(quán)限的列： SHOW COLUMNS (FROM|IN) table_name [(FROM|IN) db_name]; 顯示當(dāng)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(dāng)前影響當(dāng)前會(huì)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(gè)角色被授予的權(quán)限或者顯示角色的一個(gè)特定對(duì)象的所有權(quán)限。 顯示指定角色的所有被賦予的權(quán)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(huì)顯示任何列級(jí)的權(quán)限。 SHOW GRANT ROLE (roleName); 顯示指定對(duì)象的一個(gè)角色的所有被賦予的權(quán)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(huì)顯示任何列級(jí)的權(quán)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(shí)需要進(jìn)行編碼或者解碼了.關(guān)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(shí)，shell里都會(huì)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(jìn)行全部統(tǒng)計(jì)，則需要用到rollup函數(shù) 1  應(yīng)用場景： 　　1、我們需要統(tǒng)計(jì)用戶的總使用時(shí)長（累加歷史） 　　2、前臺(tái)展現(xiàn)頁面需要對(duì)多個(gè)維度進(jìn)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(tái)中，90%以上的離線分析任務(wù)都是使用Hive實(shí)現(xiàn)，其中必然會(huì)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(duì)于后面Hive向SparkSQL中的遷移的工作量會(huì)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(guān)語句總結(jié)

如果用傳統(tǒng)SCP遠(yuǎn)程拷貝，速度是比較慢的。現(xiàn)在采用lz4壓縮傳輸。LZ4是一個(gè)非常快的無損壓縮算法，壓縮速度在單核300MB/S，可擴(kuò)展支持多核CPU。它還具有一個(gè)非常快速的解碼器，速度單核可達(dá)到和超越1GB/S。通常能夠達(dá)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(jìn)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瑂sh -p 是指定端口，后面的ip是目標(biāo)主機(jī)的ip, -xC指定傳到目標(biāo)主機(jī)下的那個(gè)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(gè)從庫的效果： 看到了吧，25.7G 只需要接近3分鐘，這樣遠(yuǎn)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(duì)性能影響不大，傳輸速度快 PS：下次補(bǔ)充同機(jī)房不同網(wǎng)段的傳輸效果及跨機(jī)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(duì)博主最大的鼓勵(lì)，感謝您的認(rèn)真閱讀。本文版權(quán)歸作者所有，歡迎轉(zhuǎn)載，但請(qǐng)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(shí)代的來臨，大數(shù)據(jù)（Big data）也獲得了越來越多的關(guān)注。著云臺(tái)的分析師團(tuán)隊(duì)認(rèn)為，大數(shù)據(jù)（Big data）通常用來形容一個(gè)公司創(chuàng)造的大量非結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)，這些數(shù)據(jù)在下載到關(guān)系型數(shù)據(jù)庫用于分析時(shí)會(huì)花費(fèi)過多時(shí)間和金錢。大數(shù)據(jù)分析常和云計(jì)算聯(lián)系到一起，因?yàn)閷?shí)時(shí)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(yùn)營中生成、累積的用戶網(wǎng)絡(luò)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(duì)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(tái)中對(duì)數(shù)據(jù)進(jìn)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(gè)較通用的海量數(shù)據(jù)處理平臺(tái)，每次運(yùn)算都會(huì)需要處理大量數(shù)據(jù)，我們會(huì)在 Hadoop 系統(tǒng)中對(duì)數(shù)據(jù)進(jìn)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(luò)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(diǎn)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(luò)中的傳輸速度，從而提高系統(tǒng)的處理速度。 壓縮格式 Hadoop 對(duì)于壓縮格式的是自動(dòng)識(shí)別。如果我們壓縮的文件有相應(yīng)壓縮格式的擴(kuò)展名（比如 lzo，gz，bzip2 等）。Hadoop 會(huì)根據(jù)壓縮格式的擴(kuò)展名自動(dòng)選擇相對(duì)應(yīng)的解碼器來解壓數(shù)據(jù)，此過程完全是 Hadoop 自動(dòng)處理，我們只需要確保輸入的壓縮文件有擴(kuò)展名。 Hadoop 對(duì)每個(gè)壓縮格式的支持, 詳細(xì)見下表： 表 1. 壓縮格式 壓縮格式 工具 算法 擴(kuò)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(kuò)展名，則需要在執(zhí)行 MapReduce 任務(wù)的時(shí)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(duì)比 Hadoop 下各種壓縮算法的壓縮比，壓縮時(shí)間，解壓時(shí)間見下表: 表 2. 性能對(duì)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(huì)影響到在執(zhí)行作業(yè)時(shí) Map 啟動(dòng)的個(gè)數(shù)，從而會(huì)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(shí)間空間的權(quán)衡，更快的壓縮和解壓速度通常會(huì)耗費(fèi)更多的空間。在選擇使用哪種壓縮格式時(shí)，我們應(yīng)該根據(jù)自身的業(yè)務(wù)需求來選擇。 下圖是在本地壓縮與通過流將壓縮結(jié)果上傳到 BI 的時(shí)間對(duì)比。 圖 1. 時(shí)間對(duì)比 圖 1. 時(shí)間對(duì)比 使用方式 MapReduce 可以在三個(gè)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(shí)，它們會(huì)被自動(dòng)解壓。 2.MapReduce 作業(yè)中，對(duì) Map 輸出的中間結(jié)果集壓縮。實(shí)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(jié)果的編碼器。 3.MapReduce 作業(yè)中，對(duì) Reduce 輸出的最終結(jié)果集壓。實(shí)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(jié)果的編碼器。 壓縮框架 我們前面已經(jīng)提到過關(guān)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(huì)自動(dòng)根據(jù)壓縮文件的擴(kuò)展名來自動(dòng)選擇合適解壓器處理數(shù)據(jù)。那么到底是怎么實(shí)現(xiàn)的呢？如下圖所示： 圖 4. 壓縮實(shí)現(xiàn)情形 圖 4. 壓縮實(shí)現(xiàn)情形 我們?cè)谂渲?Job 作業(yè)的時(shí)候，會(huì)設(shè)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(duì)數(shù)據(jù)進(jìn)行兩方面的預(yù)處理。一是對(duì)輸入數(shù)據(jù)進(jìn)行切分，生成一組 split，一個(gè) split 會(huì)分發(fā)給一個(gè) mapper 進(jìn)行處理；二是針對(duì)每個(gè) split，再創(chuàng)建一個(gè) 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(jìn)行處理。此類在對(duì)數(shù)據(jù)進(jìn)行切分之前，會(huì)首先初始化壓縮解壓工程類 CompressionCodeFactory.class，通過工廠獲取實(shí)例化的編碼解碼器 CompressionCodec 后對(duì)數(shù)據(jù)處理操作。 下面我們來詳細(xì)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(fù)責(zé)根據(jù)不同的文件擴(kuò)展名來自動(dòng)獲取相對(duì)應(yīng)的壓縮解壓器 CompressionCodec.class，是整個(gè)壓縮框架的核心控制器。我們來看下 CompressionCodeFactory.class 中的幾個(gè)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(fù)責(zé)獲取關(guān)于編碼解碼器 CompressionCodec.class 的配置信息。下面將會(huì)詳細(xì)講解。 ② 默認(rèn)添加兩種編碼解碼器。當(dāng) getCodeClass(conf) 方法沒有讀取到相關(guān)的編碼解碼器 CompressionCodec.class 的配置信息時(shí)，系統(tǒng)會(huì)默認(rèn)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(huì)詳細(xì)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(guān)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(biāo)簽中是每個(gè)編碼解碼 CompressionCodec.class 的完整路徑，中間用逗號(hào)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(huì)自動(dòng)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(gè)編碼解碼器 CompressionCodec.class，這里我們會(huì)首先接觸到它的一個(gè)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(duì)應(yīng)文件的擴(kuò)展名，比如，文件名是 xxxx.gz2，那么這個(gè)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(shí)現(xiàn)代碼： 圖 9. 代碼示例 圖 9. 代碼示例 ② Codecs 是一個(gè) SortedMap 的示例。這里有個(gè)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(kuò)展名進(jìn)行了翻轉(zhuǎn)，舉個(gè)例子，比如文件名擴(kuò)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(gè)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?cè)趺吹玫綄?duì)應(yīng)的編碼解碼器呢？看下面這個(gè)方法。 4. getCodec() 方法 此方法用于獲取文件所對(duì)應(yīng)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(duì)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(gè) SortMap 對(duì)象。 在這里對(duì)返回的 SortMap 對(duì)象進(jìn)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(shí)候，我們多次提到了壓縮解壓器 CompressionCodecclass，并且我們?cè)谏衔闹羞€提到了它其中的一個(gè)用于獲取文件擴(kuò)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(shè)計(jì)模式。它是一個(gè)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(gè)方法： 1. createOutputStream() 方法對(duì)數(shù)據(jù)流進(jìn)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(jī) Compress.class 的壓縮處理 2. createInputStream() 方法對(duì)數(shù)據(jù)流進(jìn)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(jī) Decompressor.class 的解壓處理； 關(guān)于壓縮/解壓流與壓縮/解壓機(jī)會(huì)在下面的文章中我們會(huì)詳細(xì)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(duì)應(yīng)文件擴(kuò)展名的方法。前文已提到過，不再敖述。 壓縮機(jī) Compressor 和解壓機(jī) 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(duì)象。在 Hadoop 的實(shí)現(xiàn)中，數(shù)據(jù)編碼器和解碼器被抽象成了兩個(gè)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(shí)現(xiàn)都需要實(shí)現(xiàn)對(duì)應(yīng)的接口。在實(shí)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(jī) 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(dāng)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(jié)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() 方法讀取； 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(guān)閉解壓縮器并放棄所有未處理的輸入； ⑩ reinit() 方法更進(jìn)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(jī)就會(huì)立即工作，所以，為了通知壓縮機(jī)所有數(shù)據(jù)已經(jīng)寫入，必須使用 finish() 方法。finish() 調(diào)用結(jié)束后，壓縮機(jī)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(jī)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(duì)象，createInputStream() 方法返回 CompressionInputStream 對(duì)象。這兩個(gè)類分別繼承自 java.io.OutputStream 和 java.io.InputStream。從而我們不難理解，這兩個(gè)對(duì)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(shí)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(jié)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(shí)現(xiàn)。 Hadoop 壓縮框架中為我們提供了一個(gè)實(shí)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(gè)不同的構(gòu)造函數(shù)，CompressorStream 需要的底層輸出流 out 和壓縮時(shí)使用的壓縮器，都作為參數(shù)傳入構(gòu)造函數(shù)。另一個(gè)參數(shù)是 CompressorStream 工作時(shí)使用的緩沖區(qū) buffer 的大小，構(gòu)造時(shí)會(huì)利用這個(gè)參數(shù)分配該緩沖區(qū)。第一個(gè)可以手動(dòng)設(shè)置緩沖區(qū)大小，第二個(gè)默認(rèn) 512，第三個(gè)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(jī) Compressor 的身影，前面文章我們已經(jīng)介紹過壓縮機(jī)的的實(shí)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(duì)數(shù)據(jù)進(jìn)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(jié)束語 本文深入到 Hadoop 平臺(tái)壓縮框架內(nèi)部，對(duì)其核心代碼以及各壓縮格式的效率進(jìn)行對(duì)比分析，以幫助讀者在使用 Hadoop 平臺(tái)時(shí)，可以通過對(duì)數(shù)據(jù)進(jìn)行壓縮處理來提高數(shù)據(jù)處理效率。當(dāng)再次面臨海量數(shù)據(jù)處理時(shí)， Hadoop 平臺(tái)的壓縮機(jī)制可以讓我們事半功倍。 相關(guān)主題 Hadoop 在線 API 《Hadoop 技術(shù)內(nèi)幕深入解析 HADOOP COMMON 和 HDFS 架構(gòu)設(shè)計(jì)與實(shí)現(xiàn)原理》 developerWorks 開源技術(shù)主題：查找豐富的操作信息、工具和項(xiàng)目更新，幫助您掌握開源技術(shù)并將其用于 IBM 產(chǎn)品。

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

Linux系統(tǒng)查看當(dāng)前主機(jī)CPU、內(nèi)存、機(jī)器型號(hào)及主板信息

Linux系統(tǒng)查看當(dāng)前主機(jī)CPU、內(nèi)存、機(jī)器型號(hào)及主板信息：

查看CPU信息（型號(hào)）
# 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(hào)：
# dmidecode |grep -A16 "System Information$"

 

查看機(jī)器型號(hào)
# dmidecode | grep "Product Name"

 

查看當(dāng)前操作系統(tǒng)內(nèi)核信息
# uname -a

 

查看當(dāng)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(píng)論 (0) | 編輯 收藏

Hadoop YARN最近幾個(gè)新特性

本文介紹Hadoop YARN最近版本中增加的幾個(gè)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(gè)階段的設(shè)計(jì)，即備ResourceManager啟動(dòng)后，會(huì)殺死之前正在運(yùn)行的Application，然后從共享存儲(chǔ)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(dòng)ApplicationMaster后，剩下的容錯(cuò)功能就交給ApplicationMaster實(shí)現(xiàn)了，比如MapReduce的ApplicationMaster會(huì)不斷地將完成的任務(wù)信息寫到HDFS上，這樣，當(dāng)它重啟時(shí)，可以重新讀取這些日志，進(jìn)而只需重新運(yùn)行那些未完成的任務(wù)。ResourceManager HA第二個(gè)階段的任務(wù)是，備ResourceManager接管主ResourceManager后，無需殺死那些正在運(yùn)行的Application，讓他們像任何事情沒有發(fā)生一樣運(yùn)行下去。 （2） 磁盤容錯(cuò) 在apache hadoop 2.4或者CDH5.0.0版本之后，增加了幾個(gè)對(duì)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(guān)jira為：YARN-1781，主要新增了三個(gè)參數(shù)： yarn.nodemanager.disk-health-checker.min-healthy-disks：NodeManager上最少保證健康磁盤比例，當(dāng)健康磁盤比例低于該值時(shí)，NodeManager不會(huì)再接收和啟動(dòng)新的Container，默認(rèn)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(dāng)一塊磁盤的使用率超過該值時(shí)，則認(rèn)為該盤為壞盤，不再使用該盤，默認(rèn)是100，表示100%，可以適當(dāng)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(dāng)某塊磁盤剩余空間低于該值時(shí)，將不再使用該盤，默認(rèn)是0，表示0MB。 （3）資源調(diào)度器 Fair Scheduler：Fair Scheduler增加了一個(gè)非常有用的新特性，允許用戶在線將一個(gè)應(yīng)用程序從一個(gè)隊(duì)列轉(zhuǎn)移到另外一個(gè)隊(duì)列，比如將一個(gè)重要作業(yè)從一個(gè)低優(yōu)先級(jí)隊(duì)列轉(zhuǎn)移到高優(yōu)先級(jí)隊(duì)列，操作命令是：bin/yarn application -movetoqueue appID -queue targetQueueName，相關(guān)jira為：YARN-1721。 Capacity Scheduler：Capacity Scheduler中資源搶占功能經(jīng)過了充分的測(cè)試，可以使用了。 原創(chuàng)文章，轉(zhuǎn)載請(qǐng)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(píng)論 (0) | 編輯 收藏