主頁 > 資料庫 > 大資料Hadoop之——Spark on Hive 和 Hive on Spark的區別與實作

大資料Hadoop之——Spark on Hive 和 Hive on Spark的區別與實作

2022-04-30 09:58:57 資料庫

目錄
  • 一、Spark on Hive 和 Hive on Spark的區別
    • 1）Spark on Hive
    • 2）Hive on Spark（本章實作）
  • 二、Hive on Spark實作
    • 1）先下載hive原始碼包查看spark版本
    • 2）下載spark
    • 3）解壓編譯
    • 4）解壓
    • 5）把spark jar包上傳到HDFS
    • 6）打包spark jar包并上傳到HDFS
    • 7）配置
      • 1、配置spark-defaults.conf
      • 2、配置spark-env.sh
      • 3、配置hive-site.xml
    • 8）設定環境變數
    • 9）初始化資料庫（mysql）
    • 10）啟動或者重啟hive的metstore服務
    • 11）測驗驗證

一、Spark on Hive 和 Hive on Spark的區別

1）Spark on Hive

Spark on Hive 是Hive只作為存盤角色，Spark負責sql決議優化，執行，這里可以理解為Spark 通過Spark SQL 使用Hive 陳述句操作Hive表 ,底層運行的還是 Spark RDD，具體步驟如下：

  • 通過SparkSQL，加載Hive的組態檔，獲取到Hive的元資料資訊；
  • 獲取到Hive的元資料資訊之后可以拿到Hive表的資料；
  • 通過SparkSQL來操作Hive表中的資料，

具體實作在我之前的博文中已經講過，在這里就不再重復了，實作很簡單，可以參考：大資料Hadoop之——Spark SQL+Spark Streaming

【總結】Spark使用Hive來提供表的metadata資訊，

2）Hive on Spark（本章實作）

Hive on Spark是Hive既作為存盤又負責sql的決議優化，Spark負責執行，這里Hive的執行引擎變成了Spark，不再是MR，這個要實作比Spark on Hive麻煩很多, 必須重新編譯你的spark和匯入jar包，不過目前大部分使用的確實是spark on hive，

  • Hive默認使用MapReduce作為執行引擎，即Hive on MapReduce，實際上，Hive還可以使用Tez和Spark作為其執行引擎，分別為Hive on Tez和Hive on Spark，由于MapReduce中間計算均需要寫入磁盤，而Spark是放在記憶體中，所以總體來講Spark比MapReduce快很多，因此，Hive on Spark也會比Hive on MapReduce快，由于Hive on MapReduce的缺陷，所以企業里基本上很少使用了，

【總結】hive on spark大體與spark on hive結構類似，只是SQL引擎不同，但是計算引擎都是spark！

參考檔案：

  • https://cwiki.apache.org/confluence/display/Hive/Hive+on+Spark
  • https://cwiki.apache.org/confluence/display/Hive/Hive+on+Spark:+Getting+Started#HiveonSpark:GettingStarted-VersionCompatibility
  • https://cwiki.apache.org/confluence/display/Hive/HiveDeveloperFAQ#HiveDeveloperFAQ-HowdoIimportintoEclipse?

二、Hive on Spark實作

編譯Spark原始碼

要使用Hive on Spark，所用的Spark版本必須不包含Hive的相關jar包，hive on spark 的官網上說“Note that you must have a version of Spark which does not include the Hive jars”，在spark官網下載的編譯的Spark都是有集成Hive的，因此需要自己下載原始碼來編譯，并且編譯的時候不指定Hive，最終版本：Hadoop3.3.1+Spark2.3.0+Hive3.1.2，其實主要是spark和hive版本對應上就行，hadoop版本好像沒那么嚴格，所以這里hadoop版本我使用當前最新版本，但是還是建議使用hive的pom.xml組態檔里配置的版本，

1）先下載hive原始碼包查看spark版本

$ cd /opt/bigdata/hadoop/software
$ wget http://archive.apache.org/dist/hive/hive-3.1.2/apache-hive-3.1.2-src.tar.gz
$ tar -zxvf apache-hive-3.1.2-src.tar.gz
$ egrep 'spark.version|hadoop.version' apache-hive-3.1.2-src/pom.xml

2）下載spark

下載地址：https://archive.apache.org/dist/spark/spark-2.3.0/

$ cd /opt/bigdata/hadoop/software
# 下載
$ wget http://archive.apache.org/dist/spark/spark-2.3.0/spark-2.3.0.tgz

3）解壓編譯

# 解壓
$ tar -zxvf spark-2.3.0.tgz
$ cd spark-2.3.0
# 開始編譯，注意hadoop版本
$ ./dev/make-distribution.sh --name without-hive --tgz -Pyarn -Phadoop-2.7 -Dhadoop.version=3.3.1 -Pparquet-provided -Porc-provided -Phadoop-provided
# 或者（這里不執行下面這句，因為跟上面等價）
$ ./dev/make-distribution.sh --name "without-hive" --tgz "-Pyarn,hadoop-provided,hadoop-2.7,parquet-provided,orc-provided"
命令解釋：
-Phadoop-3.3 \  -Dhadoop.version=3.3.1 \ ***指定hadoop版本為3.3.1
--name without-hive hive 是編譯檔案的名字引數
--tgz ***壓縮成tgz格式
-Pyarn 是支持yarn
-Phadoop-2.7 是支持的hadoop版本，一開始使用的是3.3后來提示hadoop3.3不存在，只好改成2.7，編譯成功
-Dhadoop.version=3.3.1 運行環境

但是發現編譯卡住了，原來編譯會自動下載maven和scala，存放在build目錄下，如圖：

自動下載完maven和scala，就開始編譯了，編譯耗時還是比較久，慢慢等待編譯結束吧，

編譯花了半個小時左右，終于編譯完成了，編譯的時間太漫長，下面我也會把我編譯好的spark包放在網盤上供大家下載使用，

在當前目錄下就有編譯好的spark包

$ ll

4）解壓

$ tar -zxvf spark-2.3.0-bin-without-hive.tgz -C /opt/bigdata/hadoop/server/
$ cd /opt/bigdata/hadoop/server/spark-2.3.0-bin-without-hive
$ ll

5）把spark jar包上傳到HDFS

【溫馨提示】hive-site.xml檔案里配置需要，

$ cd /opt/bigdata/hadoop/server/spark-2.3.0-bin-without-hive/
### 創建日志存放目錄
$ hadoop fs -mkdir -p hdfs://hadoop-node1:8082/tmp/spark
### 在hdfs上創建存放jar包目錄
$ hadoop fs -mkdir -p /spark/spark-2.4.5-jars
## 上傳jars到HDFS
$ hadoop fs -put ./jars/* /spark/spark-2.4.5-jars/

如果使用了打包好的jar包，hive操作時會報如下錯誤：

Failed to execute spark task, with exception 'org.apache.hadoop.hive.ql.metadata.HiveException(Failed to create Spark client for Spark session c8c46c14-4d2a-4f7e-9a12-0cd62bf097db)'
FAILED: Execution Error, return code 30041 from org.apache.hadoop.hive.ql.exec.spark.SparkTask. Failed to create Spark client for Spark session c8c46c14-4d2a-4f7e-9a12-0cd62bf097db

6）打包spark jar包并上傳到HDFS

【溫馨提示】spark-default.xml檔案需要配置打包好的jar包，spark-submit會呼叫，

$ cd /opt/bigdata/hadoop/server/spark-2.3.0-bin-without-hive/
$ jar cv0f spark2.3.0-without-hive-libs.jar -C ./jars/ .
$ ll
### 在hdfs上創建存放jar包目錄
$ hadoop fs -mkdir -p /spark/jars
## 上傳jars到HDFS
$ hadoop fs -put spark2.3.0-without-hive-libs.jar /spark/jars/

如果不打包，則會報如下錯誤：

Exception in thread "main" java.io.FileNotFoundException: File does not exist: hdfs://hadoop-node1:8082/spark/spark-2.3.0-jars/*.jar
at org.apache.hadoop.hdfs.DistributedFileSystem$29.doCall(DistributedFileSystem.java:1756)
at org.apache.hadoop.hdfs.DistributedFileSystem$29.doCall(DistributedFileSystem.java:1749)
at org.apache.hadoop.fs.FileSystemLinkResolver.resolve(FileSystemLinkResolver.java:81)
at org.apache.hadoop.hdfs.DistributedFileSystem.getFileStatus(DistributedFileSystem.java:1764)
at org.apache.spark.deploy.yarn.ClientDistributedCacheManager$$anonfun$1.apply(ClientDistributedCacheManager.scala:71)
at org.apache.spark.deploy.yarn.ClientDistributedCacheManager$$anonfun$1.apply(ClientDistributedCacheManager.scala:71)
at scala.collection.MapLike$class.getOrElse(MapLike.scala:128)
at scala.collection.AbstractMap.getOrElse(Map.scala:59)
at org.apache.spark.deploy.yarn.ClientDistributedCacheManager.addResource(ClientDistributedCacheManager.scala:71)
at org.apache.spark.deploy.yarn.Client.org$apache$spark$deploy$yarn$Client$$distribute$1(Client.scala:480)
at org.apache.spark.deploy.yarn.Client.prepareLocalResources(Client.scala:517)
at org.apache.spark.deploy.yarn.Client.createContainerLaunchContext(Client.scala:863)
at org.apache.spark.deploy.yarn.Client.submitApplication(Client.scala:169)
at org.apache.spark.scheduler.cluster.YarnClientSchedulerBackend.start(YarnClientSchedulerBackend.scala:57)
at org.apache.spark.scheduler.TaskSchedulerImpl.start(TaskSchedulerImpl.scala:164)
at org.apache.spark.SparkContext.(SparkContext.scala:500)
at org.apache.spark.SparkContext$.getOrCreate(SparkContext.scala:2486)
at org.apache.spark.sql.SparkSession$Builder$$anonfun$7.apply(SparkSession.scala:930)
at org.apache.spark.sql.SparkSession$Builder$$anonfun$7.apply(SparkSession.scala:921)
at scala.Option.getOrElse(Option.scala:121)
at org.apache.spark.sql.SparkSession$Builder.getOrCreate(SparkSession.scala:921)
at org.apache.spark.examples.SparkPi$.main(SparkPi.scala:31)
at org.apache.spark.examples.SparkPi.main(SparkPi.scala)
at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)
at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
at java.lang.reflect.Method.invoke(Method.java:498)
at org.apache.spark.deploy.JavaMainApplication.start(SparkApplication.scala:52)
at org.apache.spark.deploy.SparkSubmit$.org$apache$spark$deploy$SparkSubmit$$runMain(SparkSubmit.scala:879)
at org.apache.spark.deploy.SparkSubmit$.doRunMain$1(SparkSubmit.scala:197)
at org.apache.spark.deploy.SparkSubmit$.submit(SparkSubmit.scala:227)
at org.apache.spark.deploy.SparkSubmit$.main(SparkSubmit.scala:136)
at org.apache.spark.deploy.SparkSubmit.main(SparkSubmit.scala)

7）配置

1、配置spark-defaults.conf

$ cd /opt/bigdata/hadoop/server/spark-2.3.0-bin-without-hive/conf
# copy一個組態檔
$ cp spark-defaults.conf.template spark-defaults.conf

spark-defaults.conf修改內容如下：

spark.master                     yarn
spark.home                       /opt/bigdata/hadoop/server/spark-2.3.0-bin-without-hive
spark.eventLog.enabled           true
spark.eventLog.dir               hdfs://hadoop-node1:8082/tmp/spark
spark.serializer                 org.apache.spark.serializer.KryoSerializer
spark.executor.memory            1g
spark.driver.memory              1g
spark.executor.extraJavaOptions  -XX:+PrintGCDetails -Dkey=value -Dnumbers="one two three"
spark.yarn.archive               hdfs:///spark/jars/spark2.3.0-without-hive-libs.jar
spark.yarn.jars                  hdfs:///spark/jars/spark2.3.0-without-hive-libs.jar


### 引數解釋，不用復制到組態檔中
# spark.master指定Spark運行模式，可以是yarn-client、yarn-cluster...

# spark.home指定SPARK_HOME路徑

# spark.eventLog.enabled需要設為true

# spark.eventLog.dir指定路徑，放在master節點的hdfs中，埠要跟hdfs設定的埠一致（默認為8020），否則會報錯

# spark.executor.memory和spark.driver.memory指定executor和dirver的記憶體，512m或1g，既不能太大也不能太小，因為太小運行不了，太大又會影響其他服務

2、配置spark-env.sh

$ cd /opt/bigdata/hadoop/server/spark-2.3.0-bin-without-hive/conf
$ cp spark-env.sh.template spark-env.sh
# 在spark-env.sh添加如下內容
$ vi spark-env.sh
export SPARK_DIST_CLASSPATH=$(hadoop classpath)
export HADOOP_CONF_DIR={HADOOP_HOME}/etc/hadoop/

# 加載
$ source spark-env.sh

在Yarn模式運行時，需要將以下三個包放在HIVE_HOME/lib下 ：scala-library、spark-core、spark-network-common，

$ cd /opt/bigdata/hadoop/server/spark-2.3.0-bin-without-hive
# 先刪
$ rm -f ../apache-hive-3.1.2-bin/lib/scala-library-*.jar
$ rm -f ../apache-hive-3.1.2-bin/lib/spark-core_*.jar
$ rm -f ../apache-hive-3.1.2-bin/lib/spark-network-common_*.jar

# copy這三個jar到hive lib目錄下
$ cp jars/scala-library-*.jar ../apache-hive-3.1.2-bin/lib/
$ cp jars/spark-core_*.jar ../apache-hive-3.1.2-bin/lib/
$ cp jars/spark-network-common_*.jar ../apache-hive-3.1.2-bin/lib/

3、配置hive-site.xml

$ cd /opt/bigdata/hadoop/server/apache-hive-3.1.2-bin/conf/

#配置hive-site.xml，主要mysql資料庫
$ cat << EOF > hive-site.xml
<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="https://www.cnblogs.com/liugp/p/configuration.xsl"?>
<configuration>

<!-- 配置hdfs存盤目錄 -->
<property>
        <name>hive.metastore.warehouse.dir</name>
        <value>/user/hive_remote/warehouse</value>
</property>

<!-- 所連接的 MySQL 資料庫的地址，hive_remote是資料庫，程式會自動創建，自定義就行 -->
<property>
  <name>javax.jdo.option.ConnectionURL</name>
  <value>jdbc:mysql://hadoop-node1:3306/hive_remote2?createDatabaseIfNotExist=true&amp;useSSL=false&amp;serverTimezone=Asia/Shanghai</value>
</property>

<!-- 本地模式
<property>
  <name>hive.metastore.local</name>
  <value>false</value>
</property>
-->

<!-- MySQL 驅動 -->
<property>
  <name>javax.jdo.option.ConnectionDriverName</name>
  <value>com.mysql.jdbc.Driver</value>
</property>

<!-- mysql連接用戶 -->
<property>
  <name>javax.jdo.option.ConnectionUserName</name>
  <value>root</value>
</property>

<!-- mysql連接密碼 -->
<property>
  <name>javax.jdo.option.ConnectionPassword</name>
  <value>123456</value>
</property>

<!--元資料是否校驗-->
<property>
  <name>hive.metastore.schema.verification</name>
  <value>false</value>
</property>

<property>
  <name>system:user.name</name>
  <value>root</value>
  <description>user name</description>
</property>

<!-- host -->
<property>
  <name>hive.server2.thrift.bind.host</name>
  <value>hadoop-node1</value>
  <description>Bind host on which to run the HiveServer2 Thrift service.</description>
</property>

<!-- hs2埠 -->
<property>
  <name>hive.server2.thrift.port</name>
  <value>11000</value>
</property>

<property>
  <name>hive.metastore.uris</name>
  <value>thrift://hadoop-node1:9083</value>
</property>

<!--Spark依賴位置，上面上傳jar包的hdfs路徑-->
<property>
    <name>spark.yarn.jars</name>
    <value>hdfs:///spark/spark-2.3.0-jars/*.jar</value>
</property>

<!--Hive執行引擎，使用spark-->
<property>
    <name>hive.execution.engine</name>
    <value>spark</value>
</property>

<!--Hive和spark連接超時時間-->
<property>
    <name>hive.spark.client.connect.timeout</name>
    <value>10000ms</value>
</property>

</configuration>
EOF

8）設定環境變數

在/etc/profile添加如下配置：

export HIVE_HOME=/opt/bigdata/hadoop/server/apache-hive-3.1.2-bin
export PATH=$HIVE_HOME/bin:$PATH
export SPARK_HOME=/opt/bigdata/hadoop/server/spark-2.3.0-bin-without-hive
export PATH=$SPARK_HOME/bin:$PATH

加載

$ source /etc/profile

9）初始化資料庫（mysql）

不清楚的可以先看一下這篇文章 大資料Hadoop之——資料倉庫Hive

# 初始化，--verbose：查詢詳情，可以不加
$ schematool -initSchema -dbType mysql --verbose

10）啟動或者重啟hive的metstore服務

# 先查行程是否存在，存在則kill掉
$ ss -atnlp|grep 9083
# 啟動metstore服務
$ nohup hive --service metastore &

11）測驗驗證

先驗證編譯好的spark是否ok，就用spark提供的示例：SparkPI

$ spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode client \
--driver-memory 1G \
--num-executors 3 \
--executor-memory 1G \
--executor-cores 1 \
/opt/bigdata/hadoop/server/spark-2.3.0-bin-without-hive/examples/jars/spark-examples_*.jar 10

從上圖發現編譯好的spark包是沒問題的，接下來就是驗證hive提交spark任務

$ mkdir /opt/bigdata/hadoop/data/spark
$ cat << EOF > /opt/bigdata/hadoop/data/spark/test1230-data
1,phone
2,music
3,apple
4,clothes
EOF

# 啟動hive
$ hive
# 創建表，通過逗號分隔欄位
create table test1230(id string,shop string) row format delimited fields terminated by ',';
# 從local加載資料，這里的local是指hs2服務所在機器的本地linux檔案系統
load data local inpath '/opt/bigdata/hadoop/data/spark/test1230-data' into table test1230;
# 通過insert添加資料，會提交spark任務
select * from test1230;
select count(*) from test1230;

最后提供我上面編譯好的spark2.3.0版本的包，下載地址如下：

鏈接：https://pan.baidu.com/s/1OY_Mn8UdRkTiiMktjQ3wlQ
提取碼：8888

轉載請註明出處，本文鏈接：https://www.uj5u.com/shujuku/468082.html

標籤：大數據

上一篇：Hadoop（一）Hadoop核心架構與安裝

下一篇：Mysql 連續時間分組

標籤雲
其他(157675) Python(38076) JavaScript(25376) Java(17977) C(15215) 區塊鏈(8255) C＃(7972) AI(7469) 爪哇(7425) MySQL(7132) html(6777) 基礎類(6313) sql(6102) 熊猫(6058) PHP(5869) 数组(5741) R(5409) Linux(5327) 反应(5209) 腳本語言(PerlPython)(5129) 非技術區(4971) Android(4554) 数据框(4311) css(4259) 节点.js(4032) C語言(3288) json(3245) 列表(3129) 扑(3119) C++語言(3117) 安卓(2998) 打字稿(2995) VBA(2789) Java相關(2746) 疑難問題(2699) 细绳(2522) 單片機工控(2479) iOS(2429) ASP.NET(2402) MongoDB(2323) 麻木的(2285) 正则表达式(2254) 字典(2211) 循环(2198) 迅速(2185) 擅长(2169) 镖(2155) 功能(1967) .NET技术(1958) Web開發(1951) python-3.x(1918) HtmlCss(1915) 弹簧靴(1913) C++(1909) xml(1889) PostgreSQL(1872) .NETCore(1853) 谷歌表格(1846) Unity3D(1843) for循环(1842)

熱門瀏覽
  • GPU虛擬機創建時間深度優化

    **?桔妹導讀：**GPU虛擬機實體創建速度慢是公有云面臨的普遍問題，由于通常情況下創建虛擬機屬于低頻操作而未引起業界的重視，實際生產中還是存在對GPU實體創建時間有苛刻要求的業務場景。本文將介紹滴滴云在解決該問題時的思路、方法、并展示最終的優化成果。 從公有云服務商那里購買過虛擬主機的資深用戶，一 ......

    uj5u.com 2020-09-10 06:09:13 more
  • 可編程網卡芯片在滴滴云網路的應用實踐

    **?桔妹導讀：**隨著云規模不斷擴大以及業務層面對延遲、帶寬的要求越來越高，采用DPDK 加速網路報文處理的方式在橫向縱向擴展都出現了局限性。可編程芯片成為業界熱點。本文主要講述了可編程網卡芯片在滴滴云網路中的應用實踐，遇到的問題、帶來的收益以及開源社區貢獻。 #1. 資料中心面臨的問題 隨著滴滴 ......

    uj5u.com 2020-09-10 06:10:21 more
  • 滴滴資料通道服務演進之路

    **?桔妹導讀：**滴滴資料通道引擎承載著全公司的資料同步，為下游實時和離線場景提供了必不可少的源資料。隨著任務量的不斷增加，資料通道的整體架構也隨之發生改變。本文介紹了滴滴資料通道的發展歷程，遇到的問題以及今后的規劃。 #1. 背景 資料，對于任何一家互聯網公司來說都是非常重要的資產，公司的大資料 ......

    uj5u.com 2020-09-10 06:11:05 more
  • 滴滴AI Labs斬獲國際機器翻譯大賽中譯英方向世界第三

    **桔妹導讀：**深耕人工智能領域，致力于探索AI讓出行更美好的滴滴AI Labs再次斬獲國際大獎，這次獲獎的專案是什么呢？一起來看看詳細報道吧！ 近日，由國際計算語言學協會ACL（The Association for Computational Linguistics）舉辦的世界最具影響力的機器 ......

    uj5u.com 2020-09-10 06:11:29 more
  • MPP (Massively Parallel Processing)大規模并行處理

    1、什么是mpp？ MPP (Massively Parallel Processing)，即大規模并行處理，在資料庫非共享集群中，每個節點都有獨立的磁盤存盤系統和記憶體系統，業務資料根據資料庫模型和應用特點劃分到各個節點上，每臺資料節點通過專用網路或者商業通用網路互相連接，彼此協同計算，作為整體提供 ......

    uj5u.com 2020-09-10 06:11:41 more
  • 滴滴資料倉庫指標體系建設實踐

    **桔妹導讀：**指標體系是什么？如何使用OSM模型和AARRR模型搭建指標體系？如何統一流程、規范化、工具化管理指標體系？本文會對建設的方法論結合滴滴資料指標體系建設實踐進行解答分析。 #1. 什么是指標體系 ##1.1 指標體系定義 指標體系是將零散單點的具有相互聯系的指標，系統化的組織起來，通 ......

    uj5u.com 2020-09-10 06:12:52 more
  • 單表千萬行資料庫 LIKE 搜索優化手記

    我們經常在資料庫中使用 LIKE 運算子來完成對資料的模糊搜索，LIKE 運算子用于在 WHERE 子句中搜索列中的指定模式。 如果需要查找客戶表中所有姓氏是“張”的資料，可以使用下面的 SQL 陳述句： SELECT * FROM Customer WHERE Name LIKE '張%' 如果需要 ......

    uj5u.com 2020-09-10 06:13:25 more
  • 滴滴Ceph分布式存盤系統優化之鎖優化

    **桔妹導讀：**Ceph是國際知名的開源分布式存盤系統，在工業界和學術界都有著重要的影響。Ceph的架構和演算法設計發表在國際系統領域頂級會議OSDI、SOSP、SC等上。Ceph社區得到Red Hat、SUSE、Intel等大公司的大力支持。Ceph是國際云計算領域應用最廣泛的開源分布式存盤系統， ......

    uj5u.com 2020-09-10 06:14:51 more
  • es~通過ElasticsearchTemplate進行聚合~嵌套聚合

    之前寫過《es~通過ElasticsearchTemplate進行聚合操作》的文章，這一次主要寫一個嵌套的聚合，例如先對sex集合，再對desc聚合，最后再對age求和，共三層嵌套。 Aggregations的部分特性類似于SQL語言中的group by，avg，sum等函式,Aggregation ......

    uj5u.com 2020-09-10 06:14:59 more
  • 爬蟲日志監控 -- Elastc Stack（ELK）部署

    傻瓜式部署，只需替換IP與用戶 導讀： 現ELK四大組件分別為：Elasticsearch（核心）、logstash（處理）、filebeat（采集）、kibana（可視化） 下載均在https://www.elastic.co/cn/downloads/下tar包，各組件版本最好一致，配合fdm會 ......

    uj5u.com 2020-09-10 06:15:05 more
最新发布
  • day02-2-商鋪查詢快取

    功能02-商鋪查詢快取 3.商鋪詳情快取查詢 3.1什么是快取？ 快取就是資料交換的緩沖區（稱作Cache），是存盤資料的臨時地方，一般讀寫性能較高。 快取的作用： 降低后端負載 提高讀寫效率，降低回應時間 快取的成本： 資料一致性成本 代碼維護成本 運維成本 3.2需求說明 如下，當我們點擊商店詳 ......

    uj5u.com 2023-04-20 08:33:24 more
  • MySQL中binlog備份腳本分享

    關于MySQL的二進制日志（binlog），我們都知道二進制日志（binlog）非常重要，尤其當你需要point to point災難恢復的時侯，所以我們要對其進行備份。關于二進制日志（binlog)的備份,可以基于flush logs方式先切換binlog，然后拷貝&壓縮到到遠程服務器或本地服務器 ......

    uj5u.com 2023-04-20 08:28:06 more
  • day02-短信登錄

    功能實作02 2.功能01-短信登錄 2.1基于Session實作登錄 2.1.1思路分析 2.1.2代碼實作 2.1.2.1發送短信驗證碼 發送短信驗證碼： 發送驗證碼的介面為：http://127.0.0.1:8080/api/user/code?phone=xxxxx<手機號> 請求方式：PO ......

    uj5u.com 2023-04-20 08:27:27 more
  • 快取與資料庫雙寫一致性幾種策略分析

    本文將對幾種快取與資料庫保證資料一致性的使用方式進行分析。為保證高并發性能，以下分析場景不考慮執行的原子性及加鎖等強一致性要求的場景，僅追求最終一致性。 ......

    uj5u.com 2023-04-20 08:26:48 more
  • sql陳述句優化

    問題查找及措施 問題查找 需要找到具體的代碼，對其進行一對一優化，而非一直把關注點放在服務器和sql平臺 降低簡化每個事務中處理的問題，盡量不要讓一個事務拖太長的時間 例如檔案上傳時，應將檔案上傳這一步放在事務外面 微軟建議 4.啟動sql定時執行計劃 怎么啟動sqlserver代理服務-百度經驗 ......

    uj5u.com 2023-04-20 08:26:35 more
  • 云時代，MySQL到ClickHouse資料同步產品對比推薦

    ClickHouse 在執行分析查詢時的速度優勢很好的彌補了MySQL的不足，但是對于很多開發者和DBA來說，如何將MySQL穩定、高效、簡單的同步到 ClickHouse 卻很困難。本文對比了 NineData、MaterializeMySQL（ClickHouse自帶）、Bifrost 三款產品... ......

    uj5u.com 2023-04-20 08:26:29 more
  • sql陳述句優化

    問題查找及措施 問題查找 需要找到具體的代碼，對其進行一對一優化，而非一直把關注點放在服務器和sql平臺 降低簡化每個事務中處理的問題，盡量不要讓一個事務拖太長的時間 例如檔案上傳時，應將檔案上傳這一步放在事務外面 微軟建議 4.啟動sql定時執行計劃 怎么啟動sqlserver代理服務-百度經驗 ......

    uj5u.com 2023-04-20 08:25:13 more
  • Redis 報”OutOfDirectMemoryError“（堆外記憶體溢位)

    Redis 報錯“OutOfDirectMemoryError（堆外記憶體溢位) ”問題如下： 一、報錯資訊： 使用 Redis 的業務介面 ，產生 OutOfDirectMemoryError（堆外記憶體溢位），如圖： 格式化后的報錯資訊： { "timestamp": "2023-04-17 22: ......

    uj5u.com 2023-04-20 08:24:54 more
  • day02-2-商鋪查詢快取

    功能02-商鋪查詢快取 3.商鋪詳情快取查詢 3.1什么是快取？ 快取就是資料交換的緩沖區（稱作Cache），是存盤資料的臨時地方，一般讀寫性能較高。 快取的作用： 降低后端負載 提高讀寫效率，降低回應時間 快取的成本： 資料一致性成本 代碼維護成本 運維成本 3.2需求說明 如下，當我們點擊商店詳 ......

    uj5u.com 2023-04-20 08:24:03 more
  • day02-短信登錄

    功能實作02 2.功能01-短信登錄 2.1基于Session實作登錄 2.1.1思路分析 2.1.2代碼實作 2.1.2.1發送短信驗證碼 發送短信驗證碼： 發送驗證碼的介面為：http://127.0.0.1:8080/api/user/code?phone=xxxxx<手機號> 請求方式：PO ......

    uj5u.com 2023-04-20 08:23:11 more

Copyright © 2010-2020 有解無憂