MapReduce基礎
閱讀目錄
1、MapReduce 計算框架-執行流程
一、MapReduce 計算框架-執行流程
2、MapReduce深刻
一、示例1、文件的分發與打包
● 若是程序運行所須要的可執行文件、腳本或者配置文件在Hadoop集羣的計算節點上不存在，則首先須要將這些文件分發到集羣上才能成功進行計算。Hadoop提供了自動分發文件和壓縮包的機制，只須要在啓動Streaming做業時配置相應的參數。java
HADOOP_CMD="/usr/local/src/hadoop-1.2.1/bin/hadoop" STREAM_JAR_PATH="/usr/local/src/hadoop-1.2.1/contrib/streaming/hadoop-streaming-1.2.1.jar" INPUT_FILE_PATH_1="/The_Man_of_Property.txt" OUTPUT_PATH="/output_file_broadcast" $HADOOP_CMD fs -rmr -skipTrash $OUTPUT_PATH # Step 1. $HADOOP_CMD jar $STREAM_JAR_PATH \ -input $INPUT_FILE_PATH_1 \ -output $OUTPUT_PATH \ -mapper "python map.py mapper_func white_list" \ -reducer "python red.py reduer_func" \ -jobconf "mapred.reduce.tasks=2" \ -file ./map.py \ -file ./red.py \ -file ./white_list
二、示例2、文件的分發與打包
● 若是程序運行所須要的可執行文件、腳本或者配置文件在Hadoop集羣的計算節點上不存在，則首先須要將這些文件分發到集羣上才能成功進行計算。Hadoop提供了自動分發文件和壓縮包的機制，只須要在啓動Streaming做業時配置相應的參數。node
HADOOP_CMD="/usr/local/src/hadoop-1.2.1/bin/hadoop" STREAM_JAR_PATH="/usr/local/src/hadoop-1.2.1/contrib/streaming/hadoop-streaming-1.2.1.jar" INPUT_FILE_PATH_1="/The_Man_of_Property.txt" OUTPUT_PATH="/output_cachefile_broadcast" $HADOOP_CMD fs -rmr -skipTrash $OUTPUT_PATH # Step 1. $HADOOP_CMD jar $STREAM_JAR_PATH \ -input $INPUT_FILE_PATH_1 \ -output $OUTPUT_PATH \ -mapper "python map.py mapper_func WWWHHH" \ -reducer "python red.py reduer_func" \ -jobconf "mapred.reduce.tasks=2" \ -jobconf "mapred.job.name=cachefile_demo" \ -cacheFile "hdfs://master:9000/cachefile_dir/white_list/white_list.txt#WWWHHH" \ -file "./map.py" \ -file "./red.py" #-cacheFile "$HDFS_FILE_PATH#WH" \
3、常見應用 — — 數據統計
• 特別A/B test的須要，實驗和對照統計對比各個指標
• 統計廣告天天的展現、點擊和消費總量-Hive
• 統計某視頻在一段時間內展現和點擊數量，CTR指標
• 統計某行業展點消（show、click、price）
• 統計某個query對應的PV量（hadoop培訓）python
• InputFormat – textInputFormat • Mapper – Key-value（行號，具體數據） – 找出統計項 – Key-value（統計項，1） • Partitioner – hashPartitioner | key fieldPartitioner • Combiner – 同Reducer • Reducer – Key-value（統計項n，k） – M=統計項n的m’+ k – Key-value（統計項n，m） • OutputFormat – textOutputFormat
4、常見應用 — — 數據過濾
• 常見應用
mysql
– 多份日誌中，相同時間點、用戶行爲日誌混合一塊兒
– 類表格文件存儲中，相同主鍵拼接相關的屬性
– 歷史的主數據與新增、修改數據合併sql
• 模型抽象
– 兩份、多分數據中，使用相關的key合併、拼接對應的數據並輸出apache
5、常見應用 — — 數據Join
• 常見應用
緩存
– 多份日誌中，相同時間點、用戶行爲日誌混合一塊兒
– 類表格文件存儲中，相同主鍵拼接相關的屬性
– 歷史的主數據與新增、修改數據合併安全
• 模型抽象
– 從大數據中，選擇知足條件的數據並輸出服務器
• InputFormat – textInputFormat • Mapper – Key-value（行號，具體數據） – 判斷讀取文件類型 – 分離主key與其餘項 – Key-value（主key，標識+其餘項） • Partitioner – hashPartitioner | key fieldPartitioner • Combiner – 無 • Reducer – Key-value（主key，標識+其餘項） – 保留全部的數據，直到主key發現變化或結束 – 合併主key以及相關的其餘項 – Key-value（主key，全部的其餘項） • OutputFormat – textOutputFormat
一、- create table 建立內部表，create external table 建立外部表閉包
二、建議在工做中用外部表來建立
2、Hive中的Partition
● 在Hive中，表中的一個Partition對應於表下的一個目錄，全部的Partition的數據都儲存在對應的目錄中
– 例如：pvs 表中包含 ds 和 city 兩個 Partition，則
– 對應於 ds = 20090801, ctry = US 的 HDFS 子目錄爲：/wh/pvs/ds=20090801/ctry=US； – 對應於 ds = 20090801, ctry = CA 的 HDFS 子目錄爲；/wh/pvs/ds=20090801/ctry=CA
● Partition是輔助查詢，縮小查詢範圍，加快數據的檢索速度和對數據按照必定的規格和條件進行管理。
3、Hive中的 Bucket
• hive中table能夠拆分紅partition，table和partition能夠經過‘CLUSTERED BY
’進一步分bucket，bucket中的數據能夠經過‘SORT BY’排序。
• 'set hive.enforce.bucketing = true' 能夠自動控制上一輪reduce的數量從而適 配bucket的個數，固然，用戶也能夠自主設置mapred.reduce.tasks去適配 bucket個數
• Bucket主要做用：
– 數據sampling,隨機採樣
– 提高某些查詢操做效率，例如mapside join
• 查看sampling數據：
– hive> select * from student tablesample(bucket 1 out of 2 on id); – tablesample是抽樣語句，語法：TABLESAMPLE(BUCKET x OUT OF y) – y必須是table總bucket數的倍數或者因子。hive根據y的大小，決定抽樣的比例。例如，table總共分了64份，當y=32 時，抽取(64/32=)2個bucket的數據，當y=128時，抽取(64/128=)1/2個bucket的數據。x表示從哪一個bucket開始抽 取。例如，table總bucket數爲32，tablesample(bucket 3 out of 16)，表示總共抽取（32/16=）2個bucket的數據 ，分別爲第3個bucket和第（3+16=）19個bucket的數據
4、Hive數據類型
一、原生類型
– 原生類型
• TINYINT
• SMALLINT
• INT
• BIGINT
• BOOLEAN
• FLOAT
• DOUBLE
• STRING
• BINARY（Hive 0.8.0以上纔可用） • TIMESTAMP（Hive 0.8.0以上纔可用）
二、複合類型
– 複合類型
• Arrays：ARRAY<data_type> • Maps:MAP<primitive_type, data_type> ##複合類型 • Structs:STRUCT<col_name: data_type[COMMENT col_comment],……> • Union:UNIONTYPE<data_type, data_type,……>
5、Hive SQL — — Join in MR
INSERT OVERWRITE TABLE pv_users
SELECT pv.pageid, u.age
FROM page_view pv
JOIN user u
ON (pv.userid = u.userid);
SELECT pageid, age, count(1)
FROM pv_users
GROUP BY pageid, age;
6、Hive的優化
• Map的優化：
– 做業會經過input的目錄產生一個或者多個map任務。set dfs.block.size
– Map越多越好嗎？是否是保證每一個map處理接近文件塊的大小？
– 如何合併小文件，減小map數？
set mapred.max.split.size=100000000; #100M
set mapred.min.split.size.per.node=100000000; set mapred.min.split.size.per.rack=100000000; set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;
– 如何適當的增長map數？
set mapred.map.tasks=10;
– Map端聚合 hive.map.aggr=true 。 Mr中的Combiners.
• Reduce的優化：
• Reduce的優化：
– hive.exec.reducers.bytes.per.reducer；reduce任務處理的數據量
– 調整reduce的個數： • 設置reduce處理的數據量 • set mapred.reduce.tasks=10
select pt,count(1)
from popt_tbaccountcopy_mes where pt = '2012-07-04' group by pt; 寫成 select count(1) from popt_tbaccountcopy_mes where pt = '2012-07-04';
Set mapred.reduce.tasks = 100
Create table a_standby_table as select * from a distribute by XXX
• 分區裁剪優化(partition)：
– Where中的分區條件，會提早生效，沒必要特地作子查詢，直接Join和GroupBy
• 笛卡爾積：
– join的時候不加on條件或者無效的on條件，Hive只能使用1個reducer來完成笛卡爾積
• Map join：
– /*+ MAPJOIN(tablelist) */，必須是小表，不要超過1G，或者50萬條記錄
• Union all：
– 先作union all再作join或group by等操做能夠有效減小MR過程，儘管是多個Select，最終只有一個
mr
Union:有去重操做，會消耗系統性能
Union all：沒有去重操做，
• Multi-insert & multi-group by：
– 從一份基礎表中按照不一樣的維度，一次組合出不一樣的數據
– FROM from_statement
– INSERT OVERWRITE TABLE tablename1 [PARTITION (partcol1=val1)] select_statement1 group by key1 – INSERT OVERWRITE TABLE tablename2 [PARTITION(partcol2=val2 )] select_statement2 group by key2
• Automatic merge：
– 當文件大小比閾值小時，hive會啓動一個mr進行合併
– hive.merge.mapfiles = true 是否和並 Map 輸出文件，默認爲 True – hive.merge.mapredfiles = false 是否合併 Reduce 輸出文件，默認爲 False – hive.merge.size.per.task = 256*1000*1000 合併文件的大小
• Multi-Count Distinct：
– 必須設置參數：set hive.groupby.skewindata=true;
– select dt, count(distinct uniq_id), count(distinct ip)
– from ods_log where dt=20170301 group by dt
• Hive的Join優化：
• 一個MR job
SELECT a.val, b.val, c.val
FROM a
JOIN b ON (a.key = b.key1) JOIN c ON (a.key = c.key1)
• 生成多個MR job
SELECT a.val, b.val, c.val
FROM a
JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key2)
• Hive的Join優化----錶鏈接順序
• 按照JOIN順序中的最後一個表應該儘可能是大表，由於JOIN前一階段生成的數據會存在於
Reducer的buffer中，經過stream最後面的表，直接從Reducer的buffer中讀取已經緩衝的中間
結果數據（這個中間結果數據多是JOIN順序中，前面錶鏈接的結果的Key，數據量相對較小，
內存開銷就小），這樣，與後面的大表進行鏈接時，只須要從buffer中讀取緩存的Key，與大表
中的指定Key進行鏈接，速度會更快，也可能避免內存緩衝區溢出。
• 使用hint的方式啓發JOIN操做
SELECT /*+ STREAMTABLE(a) */ a.val, b.val, c.val
FROM a
JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key1)； a表被視爲大表
SELECT /*+ MAPJOIN(b) */ a.key, a.value
FROM a
JOIN b ON a.key = b.key; MAPJION會把小表所有讀入內存中，在map階段直接 拿另一個表的數據和內存中表數據作匹配，因爲在 map是進行了join操做，省去了reduce運行的效率也 會高不少.
• 左鏈接時，左表中出現的JOIN字段都保留，右表沒有鏈接上的都爲空
SELECT a.val, b.val
FROM a
LEFT OUTER JOIN b ON (a.key=b.key) WHERE a.ds='2009-07-07' AND b.ds='2009-07-07'
SELECT a.val, b.val
FROM a
LEFT OUTER JOIN b
ON (a.key=b.key AND b.ds='2009-07-07' AND a.ds='2009-07-07')
• 執行順序是，首先完成2表JOIN，而後再經過WHERE條件進行過濾，這樣在JOIN過程當中可能會
輸出大量結果，再對這些結果進行過濾，比較耗時。能夠進行優化，將WHERE條件放在ON後
，在JOIN的過程當中，就對不知足條件的記錄進行了預先過濾。
• Hive的Join優化----並行執行
• 並行實行：
– 同步執行hive的多個階段，hive在執行過程，將一個查詢轉化成一個或者多個階段。某個特
定的job可能包含衆多的階段，而這些階段可能並不是徹底相互依賴的，也就是說能夠並行執行
的，這樣可能使得整個job的執行時間縮短。hive執行開啓：set hive.exec.parallel=true
• Hive的Join優化----數據傾斜
• 操做
• Join
• Group by
• Count Distinct
• 緣由
• key分佈不均致使的
• 人爲的建表疏忽
• 業務數據特色
• 症狀
• 任務進度長時間維持在99%（或100%），查看任務監控頁面，發現只有少許（1個或幾個）reduce子任務未完成。
• 查看未完成的子任務，能夠看到本地讀寫數據量積累很是大，一般超過10GB能夠認定爲發生數據傾斜。
• 傾斜度
• 平均記錄數超過50w且最大記錄數是超過平均記錄數的4倍。
• 最長時長比平均時長超過4分鐘，且最大時長超過平均時長的2倍。
• 萬能方法
• hive.groupby.skewindata=true
• Hive的Join優化----數據傾斜----大小表關聯
• 緣由
• Hive在進行join時，按照join的key進行分發，而在join左邊的表的數據會首先讀入內存，若是左邊表的key相對
分散，讀入內存的數據會比較小，join任務執行會比較快；而若是左邊的表key比較集中，而這張表的數據量很大，
那麼數據傾斜就會比較嚴重，而若是這張表是小表，則仍是應該把這張表放在join左邊。
• 思路
• 將key相對分散，而且數據量小的表放在join的左邊，這樣能夠有效減小內存溢出錯誤發生的概率
• 使用map join讓小的維度表先進內存。
• 方法
• Small_table join big_table
• Hive的Join優化----數據傾斜----大大表關聯
• 緣由
• 日誌中有一部分的userid是空或者是0的狀況，致使在用user_id進行hash分桶的時候，會將日誌中userid爲0或者
空的數據分到一塊兒，致使了過大的斜率。
• 思路
• 把空值的key變成一個字符串加上隨機數，把傾斜的數據分到不一樣的reduce上，因爲null值關聯不上，處理後並不
影響最終結果。
• 方法
• on case when (x.uid = '-' or x.uid = '0‘ or x.uid is null) then concat('dp_hive_search',rand()) else x.uid
end = f.user_id
7、Hive的搭建
一、Mysql配置
• 默認狀況下，Hive的元數據信息存儲在內置的Derby數據中。
• Hive支持將元數據存儲在MySQL中
• 元數據存儲配置：
– 【本地配置1】：默認
– 【本地配置2】：本地搭建mysql，經過localhost:Port方式訪問
– 【遠程配置】：遠程搭建mysql，經過IP:Port方式訪問
• 第一步：安裝MySQL服務器端和MySQL客戶端,並啓動MySQL服務
• 安裝：
– yum install mysql
– yum install mysql-server • 啓動： – /etc/init.d/mysqld start • 設置用戶名和密碼： – mysqladmin -u root password '111111‘ • 測試登陸是否成功： – mysql -uroot -p111111
二、安裝Hive
①下載apache-hive-0.13.0-bin.tgz，並解壓：
②在conf目錄下，建立hive-site.xml配置文件：
View Code
③ 修改profile，配置環境變量：
④將mysql-connector-java-5.1.41-bin.jar拷貝到hive home的lib目錄下，以支
持hive對mysql的操做
注意：
測試hive的前提得打開hadoop集羣，start-all.sh
⑤hive在建立表的過程當中，報以下錯誤處理：
FAILED: Execution Error, return code 1 from org.apache.hadoop.hive.ql.exec.DDLTask. MetaException(message:Got exception: org.apache.hadoop.ipc.RemoteException org.apache.hadoop.hdfs.server.namenode.SafeModeException: Cannot create directory /user/hive/warehouse/w_a. Name node is in safe mode.
處理方法：
bin/hadoop dfsadmin -safemode leave
關閉Hadoop的安全模式
⑥測試hive
hive> create EXTERNAL TABLE w_a( usrid STRING, age STRING, sex STRING)ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' LINES TERMINATED BY '\n'; #建立表
OK
Time taken: 0.309 seconds hive> show tables; OK w_a Time taken: 0.049 seconds, Fetched: 1 row(s) hive> drop table w_a; #刪除表 OK 導入數據： [root@master badou]# hive -f create_ex_table.sql #-f指定sql文件導入到hive中 Logging initialized using configuration in jar:file:/usr/local/src/apache-hive-0.13.0-bin/lib/hive-common-0.13.0.jar!/hive-log4j.properties OK Time taken: 1.168 seconds OK Time taken: 0.077 seconds 導入文本到hive: hive> LOAD DATA LOCAL INPATH '/home/ba/a.txt' OVERWRITE INTO TABLE w_a; #導入a.txt 文本到hive中 Copying data from file:/home/badou/a.txt Copying file: file:/home/badou/a.txt Failed with exception java.io.IOException: File /tmp/hive-root/hive_2019-04-28_05-20-33_879_4807090646149011006-1/-ext-10000/a.txt could only be replicated to 0 nodes, instead of 1
⑦
⑧
⑨
⑩
⑪
5、函數嵌套
def father(name):
print('from father %s' %name)
def son():
print('from the son')
def grandson():
print('from the grandson')
grandson()
son()
father('朱銳')
6、閉包
一、閉包
def father(name):
print('from father %s' %name)
def son():
print('from the son')
def grandson():
print('from the grandson')
grandson()
son()
father('朱銳')
'''
閉包
'''
def father(name):
def son():
# name='simon1'
print('個人爸爸是%s' %name)
def grandson():
print('個人爺爺是%s' %name)
grandson()
son()
father('simon')
二、函數閉包裝飾器基本實現
import time
def timmer(func):
def wrapper():
# print(func)
start_time=time.time()
func() #就是在運行test()
stop_time=time.time()
print('運行時間是%s' %(stop_time-start_time))
return wrapper
@timmer #語法糖，這個是重點
def test():
time.sleep(3)
print('test函數運行完畢')
# res=timmer(test) #返回的是wrapper的地址
# res() #執行的是wrapper()
# test=timmer(test) #返回的是wrapper的地址
# test() #執行的是wrapper()
test()
'''
語法糖
'''
# @timmer #就至關於 test=timmer(test)
三、函數閉包加上返回值
#未加返回值
import time
def timmer(func):
def wrapper():
# print(func)
start_time=time.time()
func() #就是在運行test()
stop_time=time.time()
print('運行時間是%s' %(stop_time-start_time))
return 123
return wrapper
@timmer #語法糖
def test():
time.sleep(3)
print('test函數運行完畢')
return '這是test的返回值'
res=test() #就是在運行wrapper
print(res)
運行結果以下：
C:\Python35\python3.exe G:/python_s3/day20/加上返回值.py
test函數運行完畢
運行時間是3.000171661376953
123
#加上返回值
import time
def timmer(func):
def wrapper():
# print(func)
start_time=time.time()
res=func() #就是在運行test() ##主要修改這裏1
stop_time=time.time()
print('運行時間是%s' %(stop_time-start_time))
return res ##修改這裏2
return wrapper
@timmer #語法糖
def test():
time.sleep(3)
print('test函數運行完畢')
return '這是test的返回值'
res=test() #就是在運行wrapper
print(res)
運行結果以下：
C:\Python35\python3.exe G:/python_s3/day20/加上返回值.py
test函數運行完畢
運行時間是3.000171661376953
這是test的返回值
四、函數閉包加上參數
import time
def timmer(func):
def wrapper(name,age): #加入參數，name,age
# print(func)
start_time=time.time()
res=func(name,age) ##加入參數，name,age
stop_time=time.time()
print('運行時間是%s' %(stop_time-start_time))
return res
return wrapper
@timmer #語法糖
def test(name,age): #加入參數，name,age
time.sleep(3)
print('test函數運行完畢,名字是【%s】,年齡是【%s】' % (name,age))
return '這是test的返回值'
res=test('simon',18) #就是在運行wrapper
print(res)
使用可變長參數代碼以下：達到的效果是傳參靈活
import time
def timmer(func):
def wrapper(*args,**kwargs): #test('simon',18) args=('simon') kwargs={'age':18}
# print(func)
start_time=time.time()
res=func(*args,**kwargs) #就是在運行test() func(*('simon'),**{'age':18})
stop_time=time.time()
print('運行時間是%s' %(stop_time-start_time))
return res
return wrapper
@timmer #語法糖
def test(name,age):
time.sleep(3)
print('test函數運行完畢,名字是【%s】,年齡是【%s】' % (name,age))
return '這是test的返回值'
def test1(name,age,gender):
time.sleep(1)
print('test函數運行完畢,名字是【%s】,年齡是【%s】,性別是【%s】' % (name,age,gender))
res=test('simon',18) #就是在運行wrapper
print(res)
test1('simon',18,'male')
五、裝飾器的使用
#無參裝飾器
import time
def timmer(func):
def wrapper(*args,**kwargs):
start_time=time.time()
res=func(*args,**kwargs)
stop_time=time.time()
print('run time is %s' %(stop_time-start_time))
return res
return wrapper
@timmer
def foo():
time.sleep(3)
print('from foo')
foo()
#有參裝飾器
def auth(driver='file'):
def auth2(func):
def wrapper(*args,**kwargs):
name=input("user: ")
pwd=input("pwd: ")
if driver == 'file':
if name == 'simon' and pwd == '123':
print('login successful')
res=func(*args,**kwargs)
return res
elif driver == 'ldap':
print('ldap')
return wrapper
return auth2
@auth(driver='file')
def foo(name):
print(name)
foo('simon')
#驗證功能裝飾器
#驗證功能裝飾器
user_list=[
{'name':'simon','passwd':'123'},
{'name':'zhurui','passwd':'123'},
{'name':'william','passwd':'123'},
{'name':'zhurui1','passwd':'123'},
]
current_dic={'username':None,'login':False}
def auth_func(func):
def wrapper(*args,**kwargs):
if current_dic['username'] and current_dic['login']:
res=func(*args,**kwargs)
return res
username=input('用戶名：').strip()
passwd=input('密碼：').strip()
for user_dic in user_list:
if username == user_dic['name'] and passwd == user_dic['passwd']:
current_dic['username']=username
current_dic['login']=True
res=func(*args,**kwargs)
return res
else:
print('用戶名或者密碼錯誤')
# if username == 'simon' and passwd == '123':
# user_dic['username']=username
# user_dic['login']=True
# res=func(*args,**kwargs)
# return res
# else:
# print('用戶名或密碼錯誤')
return wrapper
@auth_func
def index():
print('歡迎來到某寶首頁')
@auth_func
def home(name):
print('歡迎回家%s' %name)
@auth_func
def shopping_car(name):
print('%s購物車裏有[%s,%s,%s]' %(name,'餐具','沙發','電動車'))
print('before----->',current_dic)
index()
print('after---->',current_dic)
home('simon')
# shopping_car('simon')
#帶參數驗證功能裝飾器
#帶參數驗證功能裝飾器
user_list=[
{'name':'simon','passwd':'123'},
{'name':'zhurui','passwd':'123'},
{'name':'william','passwd':'123'},
{'name':'zhurui1','passwd':'123'},
]
current_dic={'username':None,'login':False}
def auth(auth_type='filedb'):
def auth_func(func):
def wrapper(*args,**kwargs):
print('認證類型是',auth_type)
if auth_type == 'filedb':
if current_dic['username'] and current_dic['login']:
res = func(*args, **kwargs)
return res
username=input('用戶名：').strip()
passwd=input('密碼：').strip()
for user_dic in user_list:
if username == user_dic['name'] and passwd == user_dic['passwd']:
current_dic['username']=username
current_dic['login']=True
res = func(*args, **kwargs)
return res
else:
print('用戶名或者密碼錯誤')
elif auth_type == 'ldap':
print('這玩意沒搞過，不知道怎麼玩')
res = func(*args, **kwargs)
return res
else:
print('鬼才知道你用的什麼認證方式')
res = func(*args, **kwargs)
return res
return wrapper
return auth_func
@auth(auth_type='filedb') #auth_func=auth(auth_type='filedb')-->@auth_func 附加了一個auth_type --->index=auth_func(index)
def index():
print('歡迎來到某寶主頁')
@auth(auth_type='ldap')
def home(name):
print('歡迎回家%s' %name)
#
@auth(auth_type='sssssss')
def shopping_car(name):
print('%s的購物車裏有［%s,%s,%s］' %(name,'奶茶','妹妹','娃娃'))
# print('before-->',current_dic)
# index()
# print('after--->',current_dic)
# home('simon')
shopping_car('simon')
相關文章
- 1. MapReduce(一) mapreduce基礎入門
- 2. 7，MapReduce基礎
- 3. MapReduce基礎
- 4. 【ODPS】MapReduce基礎
- 5. Mapreduce基礎1
- 6. MapReduce基礎01
- 7. Hadoop之MapReduce基礎
- 8. MapReduce基礎入門
- 9. mapreduce基礎入門
- 10. mapreduce基礎知識
- 更多相關文章...
- • Kotlin 基礎語法 - Kotlin 教程
- • Scala 基礎語法 - Scala教程
- • Kotlin學習（二）基本類型
- • ☆基於Java Instrument的Agent實現
相關標籤/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
最新文章
- 1. Appium入門
- 2. Spring WebFlux 源碼分析(2)-Netty 服務器啓動服務流程 --TBD
- 3. wxpython入門第六步（高級組件）
- 4. CentOS7.5安裝SVN和可視化管理工具iF.SVNAdmin
- 5. jedis 3.0.1中JedisPoolConfig對象缺少setMaxIdle、setMaxWaitMillis等方法，問題記錄
- 6. 一步一圖一代碼，一定要讓你真正徹底明白紅黑樹
- 7. 2018-04-12—（重點）源碼角度分析Handler運行原理
- 8. Spring AOP源碼詳細解析
- 9. Spring Cloud（1）
- 10. python簡單爬去油價信息發送到公衆號
歡迎關注本站公眾號,獲取更多信息
相關文章
- 1. MapReduce(一) mapreduce基礎入門
- 2. 7，MapReduce基礎
- 3. MapReduce基礎
- 4. 【ODPS】MapReduce基礎
- 5. Mapreduce基礎1
- 6. MapReduce基礎01
- 7. Hadoop之MapReduce基礎
- 8. MapReduce基礎入門
- 9. mapreduce基礎入門
- 10. mapreduce基礎知識