第114課加強版:SparkStreaming+Kafka+createDirectStream+KafkaOffsetMonitor解決內幕
第114課加強版:SparkStreaming+Kafka+createDirectStream
前傳：
114課程的高階版：
1. spark streaming 使用 direct方式直接讀取 kafka的資料，offset 沒有經過zookeeper。因此在KafkaOffsetMonitor中也監控不到資料 。
2. 我們通過sparkstreaming操作offset，然後kafkacluster將offset更新到zookeeper中。
3.將KafkaOffsetMonitor從master遷移到woker2上執行
final AtomicReference offsetRanges = new AtomicReference(); adClickedStreaming.transformToPair( new Function, JavaPairRDD>() { private static final long serialVersionUID = 1L; @Override public JavaPairRDD call(JavaPairRDD rdd) throws Exception { OffsetRange[] offsets = ((HasOffsetRanges) rdd.rdd()).offsetRanges(); offsetRanges.set(offsets); return rdd; } }).foreachRDD( new Function, Void>() { private static final long serialVersionUID = 1L; @Override public Void call(JavaPairRDD rdd) throws Exception { KafkaCluster kafkaCluster= new KafkaCluster((scala.collection.immutable.Map) kafkaParameters); for (OffsetRange o : offsetRanges.get()) { TopicAndPartition topicAndPartition=new TopicAndPartition("AdClicked",o.partition()); Map offsetsmap = new HashMap(); offsetsmap.put(topicAndPartition, o.untilOffset()); kafkaCluster.setConsumerOffsets("groupId", (scala.collection.immutable.Map) offsetsmap); System.out.println( "IMF 114 topic: " + o.topic() + " IMF 114 partition : " + o.partition() + " IMF 114 fromOffset : " + o.fromOffset() + " IMF 114 untilOffset : " + o.untilOffset() ); } return null; }
遇到問題
16/07/23 19:34:57 INFO scheduler.JobScheduler: Starting job streaming job 1469273510000 ms.1 from job set of time 1469273510000 ms 16/07/23 19:34:57 ERROR scheduler.JobScheduler: Error running job streaming job 1469273510000 ms.0 java.lang.ClassCastException: java.util.HashMap cannot be cast to scala.collection.immutable.Map at com.dt.spark.SparkApps.SparkStreaming.AdClickedStreamingStats$2.call(AdClickedStreamingStats.java:156) at com.dt.spark.SparkApps.SparkStreaming.AdClickedStreamingStats$2.call(AdClickedStreamingStats.java:1) at org.apache.spark.streaming.api.java.JavaDStreamLike$$anonfun$foreachRDD$1.apply(JavaDStreamLike.scala:316) at org.apache.spark.streaming.api.java.JavaDStreamLike$$anonfun$foreachRDD$1.apply(JavaDStreamLike.scala:316) at org.apache.spark.streaming.dstream.DStream$$anonfun$foreachRDD$1$$anonfun$apply$mcV$sp$3.apply(DStream.scala:661) at org.apache.spark.streaming.dstream.DStream$$anonfun$foreachRDD$1$$anonfun$apply$mcV$sp$3.apply(DStream.scala:661) at org.apache.spark.streaming.dstream.ForEachDStream$$anonfun$1$$anonfun$apply$mcV$sp$1.apply$mcV$sp(ForEachDStream.scala:50) at org.apache.spark.streaming.dstream.ForEachDStream$$anonfun$1$$anonfun$apply$mcV$sp$1.apply(ForEachDStream.scala:50) at org.apache.spark.streaming.dstream.ForEachDStream$$anonfun$1$$anonfun$apply$mcV$sp$1.apply(ForEachDStream.scala:50) at org.apache.spark.streaming.dstream.DStream.createRDDWithLocalProperties(DStream.scala:426) at org.apache.spark.streaming.dstream.ForEachDStream$$anonfun$1.apply$mcV$sp(ForEachDStream.scala:49) at org.apache.spark.streaming.dstream.ForEachDStream$$anonfun$1.apply(ForEachDStream.scala:49) at org.apache.spark.streaming.dstream.ForEachDStream$$anonfun$1.apply(ForEachDStream.scala:49) at scala.util.Try$.apply(Try.scala:161) at org.apache.spark.streaming.scheduler.Job.run(Job.scala:39) at org.apache.spark.streaming.scheduler.JobScheduler$JobHandler$$anonfun$run$1.apply$mcV$sp(JobScheduler.scala:224) at org.apache.spark.streaming.scheduler.JobScheduler$JobHandler$$anonfun$run$1.apply(JobScheduler.scala:224) at org.apache.spark.streaming.scheduler.JobScheduler$JobHandler$$anonfun$run$1.apply(JobScheduler.scala:224) at scala.util.DynamicVariable.withValue(DynamicVariable.scala:57) at org.apache.spark.streaming.scheduler.JobScheduler$JobHandler.run(JobScheduler.scala:223) at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142) at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617) at java.lang.Thread.run(Thread.java:745) Exception in thread "main" java.lang.ClassCastException: java.util.HashMap cannot be cast to scala.collection.immutable.Map at com.dt.spark.SparkApps.SparkStreaming.AdClickedStreamingStats$2.call(AdClickedStreamingStats.java:156) at com.dt.spark.SparkApps.SparkStreaming.AdClickedStreamingStats$2.call(AdClickedStreamingStats.java:1) at org.apache.spark.streaming.api.java.JavaDStreamLike$$anonfun$foreachRDD$1.apply(JavaDStreamLike.scala:316) at org.apache.spark.streaming.api.java.JavaDStreamLike$$anonfun$foreachRDD$1.apply(JavaDStreamLike.scala:316) at org.apache.spark.streaming.dstream.DStream$$anonfun$foreachRDD$1$$anonfun$apply$mcV$sp$3.apply(DStream.scala:661) at org.apache.spark.streaming.dstream.DStream$$anonfun$foreachRDD$1$$anonfun$apply$mcV$sp$3.apply(DStream.scala:661) at org.apache.spark.streaming.dstream.ForEachDStream$$anonfun$1$$anonfun$apply$mcV$sp$1.apply$mcV$sp(ForEachDStream.scala:50) at org.apache.spark.streaming.dstream.ForEachDStream$$anonfun$1$$anonfun$apply$mcV$sp$1.apply(ForEachDStream.scala:50) at org.apache.spark.streaming.dstream.ForEachDStream$$anonfun$1$$anonfun$apply$mcV$sp$1.apply(ForEachDStream.scala:50) at org.apache.spark.streaming.dstream.DStream.createRDDWithLocalProperties(DStream.scala:426) at org.apache.spark.streaming.dstream.ForEachDStream$$anonfun$1.apply$mcV$sp(ForEachDStream.scala:49) at org.apache.spark.streaming.dstream.ForEachDStream$$anonfun$1.apply(ForEachDStream.scala:49) at org.apache.spark.streaming.dstream.ForEachDStream$$anonfun$1.apply(ForEachDStream.scala:49) at scala.util.Try$.apply(Try.scala:161) at org.apache.spark.streaming.scheduler.Job.run(Job.scala:39) at org.apache.spark.streaming.scheduler.JobScheduler$JobHandler$$anonfun$run$1.apply$mcV$sp(JobScheduler.scala:224) at org.apache.spark.streaming.scheduler.JobScheduler$JobHandler$$anonfun$run$1.apply(JobScheduler.scala:224) at org.apache.spark.streaming.scheduler.JobScheduler$JobHandler$$anonfun$run$1.apply(JobScheduler.scala:224) at scala.util.DynamicVariable.withValue(DynamicVariable.scala:57) at org.apache.spark.streaming.scheduler.JobScheduler$JobHandler.run(JobScheduler.scala:223) at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142) at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617) at java.lang.Thread.run(Thread.java:745) 16/07/23 19:34:57 INFO spark.SparkContext: Starting job: print at AdClickedStreamingStats.java:320
解決方法
scala.collection.immutable.Map scalaImmutableoffsetsmap= scala.collection.JavaConverters.mapAsScalaMapConverter(offsetsmap).asScala().toMap(scala.Predef.conforms());
原始碼如下
/** * 建立Kafka元資料,來讓Spark Streaming這個Kafka Consumer利用 */ Map kafkaParameters = new HashMap(); kafkaParameters.put("metadata.broker.list", "Master:9092,Worker1:9092,Worker2:9092"); Set topics = new HashSet(); topics.add("AdClicked"); JavaPairInputDStream adClickedStreaming = KafkaUtils.createDirectStream(jsc, String.class, String.class, StringDecoder.class, StringDecoder.class, kafkaParameters, topics); //=====================================================// //=====================================================// scala.collection.immutable.Map scalaImmutablekafkaParameters= scala.collection.JavaConverters.mapAsScalaMapConverter(kafkaParameters).asScala().toMap(scala.Predef.conforms()); final AtomicReference offsetRanges = new AtomicReference(); adClickedStreaming.transformToPair( new Function, JavaPairRDD>() { private static final long serialVersionUID = 1L; @Override public JavaPairRDD call(JavaPairRDD rdd) throws Exception { OffsetRange[] offsets = ((HasOffsetRanges) rdd.rdd()).offsetRanges(); offsetRanges.set(offsets); return rdd; } }).foreachRDD( new Function, Void>() { private static final long serialVersionUID = 1L; @Override public Void call(JavaPairRDD rdd) throws Exception { KafkaCluster kafkaCluster= new KafkaCluster( scalaImmutablekafkaParameters); for (OffsetRange o : offsetRanges.get()) { TopicAndPartition topicAndPartition=new TopicAndPartition("AdClicked",o.partition()); Map offsetsmap = new HashMap(); offsetsmap.put(topicAndPartition, o.untilOffset()); scala.collection.immutable.Map scalaImmutableoffsetsmap= scala.collection.JavaConverters.mapAsScalaMapConverter(offsetsmap).asScala().toMap(scala.Predef.conforms()); kafkaCluster.setConsumerOffsets("IMF-20160723-2-114-Kafka-groupId", scalaImmutableoffsetsmap); System.out.println( "IMF 114 topic: " + o.topic() + " IMF 114 partition : " + o.partition() + " IMF 114 fromOffset : " + o.fromOffset() + " IMF 114 untilOffset : " + o.untilOffset() ); } return null; } });
將KafkaOffsetMonitor從master遷移到woker2上執行
[email protected]:/usr/local# scp -rq /usr/local/kafka_monitor [email protected]:/usr/local/kafka_monitor
[email protected]:/usr/local#
[email protected]:/usr/local/kafka_monitor# IMFKafkaOffsetMon.sh
serving resources from: jar:file:/usr/local/kafka_monitor/KafkaOffsetMonitor-assembly-0.2.0.jar!/offsetapp
SLF4J: Failed to load class "org.slf4j.impl.StaticLoggerBinder".
SLF4J: Defaulting to no-operation (NOP) logger implementation
SLF4J: See http://www.slf4j.org/codes.html#StaticLoggerBinder for further details.
2016-07-23 21:33:28.204:INFO:oejs.Server:jetty-7.x.y-SNAPSHOT
log4j:WARN No appenders could be found for logger (org.I0Itec.zkclient.ZkConnection).
log4j:WARN Please initialize the log4j system properly.
log4j:WARN See http://logging.apache.org/log4j/1.2/faq.html#noconfig for more info.
log4j:WARN No appenders could be found for logger (org.I0Itec.zkclient.ZkEventThread).
log4j:WARN Please initialize the log4j system properly.
log4j:WARN See http://logging.apache.org/log4j/1.2/faq.html#noconfig for more info.
2016-07-23 21:33:28.355:INFO:oejsh.ContextHandler:started o.e.j.s.ServletContextHandler{/,jar:file:/usr/local/kafka_monitor/KafkaOffsetMonitor-assembly-0.2.0.jar!/offsetapp}
2016-07-23 21:33:28.395:INFO:oejs.AbstractConnector:Started [email protected]:8089執行結果 KafkaOffsetMonitor 登入 http://192.168.189.3:8089/#/
一：kafka啟動調整，將
nohup /usr/local/kafka_2.10-0.9.0.1/bin/kafka-server-stop.sh /usr/local/kafka_2.10-0.9.0.1/config/server.properties &
更改為：
nohup /usr/local/kafka_2.10-0.8.2.1/bin/kafka-server-start.sh /usr/local/kafka_2.10-0.8.2.1/config/server.properties &
二：114的程式碼更改，補充offset的內容
如首次讀取，則IMFfromOffsets.put(topicAndPartition, 0L); 偏移量置0；
如已經有資料，則讀取已經消費的offset的位置 IMFfromOffsets.put(topicAndPartition, offset);
使用.createDirectStream方式，從kafka的IMFfromOffsets位置開始取資料
KafkaUtils.createDirectStream(jsc, String.class,
String.class, StringDecoder.class, StringDecoder.class, Tuple2.class,kafkaParameters, IMFfromOffsets,
new Function<MessageAndMetadata<String, String>,Tuple2 >()
然後更新 傳送到kafka，由kafka更新到zookeeper
應讀者wudongdong411的要求，上原始碼吧：
SparkConf conf = new SparkConf().setMaster("spark://192.168.189.1:7077")
.setAppName("IMF-kafka.offset-20160730-2-114-AdClickedStreamingStats");
JavaStreamingContext jsc = new JavaStreamingContext(conf, Durations.seconds(10));
jsc.checkpoint("/usr/local/IMF_testdata/IMFcheckpoint114");
/**
* 建立Kafka元資料,來讓Spark Streaming這個Kafka Consumer利用
*/
Map kafkaParameters = new HashMap();
kafkaParameters.put("metadata.broker.list", "Master:9092,Worker1:9092,Worker2:9092");
Set topics = new HashSet();
topics.add("AdClicked");
/*
讀取上次消費的offset的位置
http://blog.csdn.net/rongyongfeikai2/article/details/49784785#
*/
scala.collection.immutable.Map scalaImmutablekafkaParameters= scala.collection.JavaConverters.mapAsScalaMapConverter(kafkaParameters).asScala().toMap(scala.Predef.conforms());
final String IMFgroupId = "IMF-114-groupId-20160730offset" ;
java.util.Map IMFfromOffsets = new java.util.HashMap();
final KafkaCluster kafkaCluster= new KafkaCluster( scalaImmutablekafkaParameters);
scala.collection.immutable.Set scalaTotopics = scala.collection.JavaConverters.asScalaSetConverter(topics).asScala().toSet( );
scala.collection.immutable.Set scalaTopicAndPartitionSet = kafkaCluster.getPartitions( scalaTotopics).right().get();
if(kafkaCluster.getConsumerOffsets(IMFgroupId, scalaTopicAndPartitionSet).isLeft()) {
Set javaTopicAndPartitionSet = JavaConversions.setAsJavaSet(scalaTopicAndPartitionSet);
for (TopicAndPartition topicAndPartition : javaTopicAndPartitionSet) {
IMFfromOffsets.put(topicAndPartition, 0L);
}
} else {
//讀取已經消費的offset的位置
scala.collection.immutable.Map consumerOffsetsTemp = kafkaCluster.getConsumerOffsets(IMFgroupId,scalaTopicAndPartitionSet).right().get();
Map consumerOffsets = JavaConversions.mapAsJavaMap(consumerOffsetsTemp);
Set javaTopicAndPartitionSet = JavaConversions.setAsJavaSet(scalaTopicAndPartitionSet);
for (TopicAndPartition topicAndPartition : javaTopicAndPartitionSet) {
Long offset = (Long) consumerOffsets.get(topicAndPartition);
IMFfromOffsets.put(topicAndPartition, offset);
}
}
JavaInputDStream adClickedStreamingTuple2 = KafkaUtils.createDirectStream(jsc, String.class,
String.class, StringDecoder.class, StringDecoder.class, Tuple2.class,kafkaParameters, IMFfromOffsets,
new Function,Tuple2 >(){
private static final long serialVersionUID = 1L;
@Override
public Tuple2 call(MessageAndMetadata v1) throws Exception {
return new Tuple2(v1.topic(), v1.message()) ;
}
});
final AtomicReference offsetRanges = new AtomicReference();
adClickedStreamingTuple2.foreachRDD(new Function,Void>() {
@Override
public Void call(JavaRDD arg0) throws Exception {
OffsetRange[] offsets = ((HasOffsetRanges) arg0.rdd()).offsetRanges();
for(OffsetRange o: offsets){
TopicAndPartition topicAndPartition = new TopicAndPartition(o.topic(), o.partition());
Map topicAndPartitionObjectMap = new HashMap();
topicAndPartitionObjectMap.put(topicAndPartition, o.untilOffset());
scala.collection.mutable.Map map =
JavaConversions.mapAsScalaMap(topicAndPartitionObjectMap);
scala.collection.immutable.Map scalatopicAndPartitionObjectMap =
map.toMap(new Predef.$less$colon$less, Tuple2>() {
public Tuple2 apply(Tuple2 v1) {
return v1;
}
});
kafkaCluster.setConsumerOffsets(IMFgroupId, scalatopicAndPartitionObjectMap);
}
return null;
}
});
JavaPairDStream filteredadClickedStreaming = adClickedStreamingTuple2.transformToPair(new Function,JavaPairRDD>() {
private static final long serialVersionUID = 1L;
@Override
public JavaPairRDD call(JavaRDD rdd) throws Exception {
final List blackListNames = new ArrayList();
JDBCWrapper jdbcWrapper = JDBCWrapper.getJDBCInstance();
jdbcWrapper.doQuery("SELECT * FROM blacklisttable", null, new ExecuteCallBack() {
@Override
public void resultCallBack(ResultSet result) throws Exception {
while (result.next()) {
blackListNames.add(result.getString(1));
}
}
});
List> blackListTuple = new ArrayList>();
for (String name : blackListNames) {
blackListTuple.add(new Tuple2(name, true));
}
List> blackListFromDB = blackListTuple; // 資料來自於查詢的黑名單表並且對映成為
JavaSparkContext jsc = new JavaSparkContext(rdd.context());
/**
* 黑名單的表中只有userID，但是如果要進行join操作的話，就必須是Key-Value，所以
* 在這裡我們需要基於資料表中的資料產生Key-Value型別的資料集合；
*/
JavaPairRDD blackListRDD = jsc.parallelizePairs(blackListFromDB);
/**
* 進行操作的時候肯定是基於userID進行join的，
* 所以必須把傳入的rdd進行mapToPair操作轉化成為符合 格式的rdd
*
* 廣告點選的基本資料格式：timestamp、ip、userID、adID、province、city
*/
JavaPairRDD> rdd2Pair = rdd
.mapToPair(new PairFunction>(){
@Override
public Tuple2> call(Tuple2 t) throws Exception {
String userID = ((String) t._2).split("\t")[2];
return new Tuple2>(userID, t);
}
});
JavaPairRDD, Optional>> joined = rdd2Pair
.leftOuterJoin(blackListRDD);
JavaPairRDD result = joined.filter(
new Function, Optional>>, Boolean>() {
@Override
public Boolean call(Tuple2, Optional>> v1)
throws Exception {
Optional optional = v1._2._2;
if (optional.isPresent() && optional.get()) {
return false;
} else {
return true;
}
}
}).mapToPair(
new PairFunction, Optional>>, String, String>() {
@Override
public Tuple2 call(
Tuple2, Optional>> t)
throws Exception {
// TODO Auto-generated method stub
return t._2._1;
}
});
return result;
}
});
filteredadClickedStreaming.print();三：MockAdClickedStats 生產者生產資料進行效能測試，將執行緒中sleep語句去掉，一直迴圈不斷的生產資料21：37-21：42 約5分鐘生產80萬條記錄，之後停掉了這個快速生產資料的指令碼，重新執行之前老的指令碼，恢復之前每2秒1條的生產資料速度。
四：KafkaOffsetMonitor監控頁面
相關推薦
第114課加強版:SparkStreaming+Kafka+createDirectStream+KafkaOffsetMonitor解決內幕
第114課加強版:SparkStreaming+Kafka+createDirectStream 前傳： 114課程的高階版： 1. spark streaming 使用 direct方式直接讀取 kafka的資料，offset 沒有經過zookeeper。因此在
第91課：SparkStreaming基於Kafka Direct案例實戰和內幕原始碼解密 java.lang.ClassNotFoundException 踩坑解決問題詳細內幕版本
第91課：SparkStreaming基於Kafka Direct案例實戰和內幕原始碼解密 /* * *王家林老師授課http://weibo.com/ilovepains */ 每天晚上20：00YY頻道現場授課頻道68917580 1、作業內容：SparkS
韋東山一期加強版筆記第3課
第一節 Linux命令入門演練在學習嵌入式之前，我們有必要學會linux一些常用的命令，在以後的學習中看到這些命令才不會陌生，在入門階段，只要學會一些常見到的命令，遇到不常用的，再去百度。pwd：顯示當前的路徑ls：顯示當前目錄下所有的檔案cd：切換路徑cd..：返回上一級
第三次實驗計算分段函數 第四次計算分段函數和循環NEW 第五次分支+循環加強版 實驗報告
scan amp 函數 寬度 中大 解決方法 sca -1 三次 一.實驗題目，設計思路，實現方法 第四次分支+循環 加強版 （2-2計算個人所得稅，2-7 裝睡，2-8計算天數） 設計思路：2-2 用if-else的語句，與計算分段函數的題類似的做法；2-7 運用for語
機器學習升級版（VII）——第1課 機器學習與數學分析
矩陣分解 變化 回歸分析 兩個 例如 處理 fff mage 我們 參考：鄒博 《機器學習升級版》 1. 機器學習概論 1. 什麽是機器學習 定義：對於某給定的任務T，在合理的性能度量方案P的前提下，某計算機程序可以自主學習任務T的經驗E；隨著提供合適、
使用webgl(three.js)搭建一個3D建築，3D消防模擬，web版3D,bim管理系統——第四課
function getBuildFloorData() { var models = [{ "show": true, "uuid": "", "name": "m4_dtWall_1", "objType": "cube2", "length": 1000, "width": 200, "hei
機器學習升級版第七期——第八課logistic迴歸
首先看幾個分類圖，可以明顯的看出哪個分類更好 下面logistic/sigmoid函式比較熟悉不做過多介紹。 logistic迴歸引數估計： 上面這種假定為發生與不發生，其對應的概率為h(x)
laravel教程第4課: 玩轉資料遷移laravel migration(超詳細版)
補充上節課：配置虛擬主機 不用修改nginx的配置檔案，減少學習成本，只要在homestead.yaml 和host檔案兩個檔案中做很小的改動就行 D:\03www2018\homestead\Homestead.yaml map: myblog.app
通過自動回覆機器人學Mybatis——加強版——慕課網
**2-1. 介面式程式設計** 介面可以規範型別 呼叫:getMapper public class MessageDao { public List<Message> queryMessageList(String command,String des
第87課：Flume推送資料到SparkStreaming案例實戰和內幕原始碼解密--flume安裝篇
1、 下載flume 老師提供的包 2、 安裝 vi/etc/profile exportFLUME_HOME=/usr/local/apache-flume-1.6.0-bin exportPATH=.:$PATH:$JAVA_HOME/bin:$HADOOP
sparkStreaming+kafka python版wordcount申請資源不成功
ERROR:py4j.java_gateway:Error while sending or receiving. Traceback (most recent call last): File "/root/hadoop/tmp/nm-local-dir/userca
第008課_第1個ARM落版程序及引申
ash 學習 啟動 nor 引腳 技術分享 因此 ask 知識 form：第008課_第1個ARM裸板程序及引申 第001節_輔線1_硬件知識_LED原理圖 當我們學習C語言的時候，我們會寫個Hello程序。那當我們下ARM程序，也該有一個簡單的程序引領我們入門，這個程
使用webgl(three.js)搭建一個3D智慧園區、3D建築，3D消防模擬，web版3D,bim管理系統——第四課（炫酷版一）
這節課我們主要講解園區三維視覺化炫酷感官技術方案 前言： 當基礎技術達到普及狀態，應用就趨向於極致，在三維視覺化領域也是這個道理。各大視覺化公司都追求美觀最大化，這時候美工的作用就不容忽視了。 背景說明： A、經濟背景：經濟下行的大環境下，各大有社會責任的企業與部門開始拉動內需，擴大預
第六課、算法效率的度量
分享 turn 結構 sin 效率 mage alt exit 額外 一、常見的時間復雜度 常見時間復雜度的比較 二、算法分析 定義一個數組 此算法最好的情況時執行一次 而最壞的情況卻要執行n次 註意：數據結構課程中，在沒有特殊說明時，所分析算法的時間復雜度都是
【Linux探索之旅】第一部分第三課：測試並安裝Ubuntu
u盤 nco 過程 sans ubunt windows u盤啟動盤 系統 .com 內容簡單介紹 1、第一部分第三課：測試並安裝Ubuntu 2、第一部分第四課預告：磁盤分區 測試並安裝Ubuntu 大家好，經過前兩個比較偏理論（是否
第9課 - 函數定義及調用
函數的調用 align 應用 abs end 語言 命令集 func home 第9課 - 函數定義及調用 1. makefile中的函數 （1）make 解釋器提供了一系列的函數供 makefile 調用 （2）在 makefile 中支持自定義函數實現，並調用執
第三課unit8 mariadb
password 配置文件 current 數據庫 enter 1.yum intall mariadb-server -y ##安裝mariadb服務 systemctl start mariadb ##開啟服務 vim /etc/my.cnf #
可持久化並查集加強版 BZOJ 3674
log 歷史 clear 必須 new 路徑壓縮 都是 return 父節點 http://www.lydsy.com/JudgeOnline/problem.php?id=3674 3674: 可持久化並查集加強版 Time Limit: 15 Sec Memory
第三課unit9 Apache
配置文件 start enable 信息 1.安裝 yum install httpd -y systemctl start httpd systemctl enable httpd systemctl stop firewalld systemctl disable
java-web——第六課 Servlet 控制器的引入
需要 分享 http javabean 之前 實現類 控制 servle 我會 前言： 之前我們寫的代碼，可以以這樣的流程圖來解釋 今天我們需要講的就是不讓 jsp 直接訪問 javabean 而是加入一個新概念， setvlet 控制器， 也是對應了我