月亮给我抄代码_社区达人页

2024年05月

• 05.2619:36:35
  发表了文章2024-05-26 19:36:35

  Spark 分析计算连续三周登录的用户数

  本文介绍了如何使用窗口函数`range between`来查询`login_time`为2022-03-10的用户最近连续三周的登录数。首先在MySQL中创建`log_data`表并插入数据，接着定义需求为找出该日期前连续三周活跃的用户数。通过Spark SQL，分步骤实现：1)确定统计周期，2)筛选符合条件的数据，3)计算用户连续登录状态。在初始实现中出现错误，因未考虑日期在周中的位置，修正后正确计算出活跃用户数。
• 05.2619:32:19
  发表了文章2024-05-26 19:32:19

  HBase 相关面试题

  HBase 是一种基于 Hadoop 的分布式 NoSQL 数据库，它是 Google 的Bigtable 的开源实现。
• 05.2619:30:47
  发表了文章2024-05-26 19:30:47

  Exception in thread “main“ java.io.IOException: No FileSystem for scheme: hdfs

  错误解决方法
• 05.2619:30:16
  发表了文章2024-05-26 19:30:16

  HBase Shell-org.apache.hadoop.hbase.ipc.ServerNotRunningYetException: Server is not running yet 已解决

  在HBase Shell遇到错误时，检查Hadoop非安全模式：`hdfs dfsadmin -safemode get`。问题解决在于`hbase-site.xml`中添加配置：Zookeeper客户端端口设为2181和预写日志提供者设为filesystem。
• 05.2619:28:34
  发表了文章2024-05-26 19:28:34

  Hive 求多个字段的中位数（按行求中位数）

  在项目中遇到按行求中位数的Hive需求，本文通过创建测试数据，展示解决方案。首先使用`lateral view`和`explode`将多字段行转为列，然后通过`percentile`函数计算每行数据的中位数，最终得到结果。该方法适用于将行转为列处理复杂需求，欢迎探讨更优解。
• 05.2619:27:33
  发表了文章2024-05-26 19:27:33

  大数据用户画像之基本概念

  大数据用户画像利用大数据技术分析用户基本信息、消费行为、兴趣、社交及地理数据，创建详细用户模型，助力企业精准营销。涉及技术包括数据挖掘、大数据处理（Hadoop、Spark）、数据可视化、机器学习和数据库管理。通过用户画像，企业可实现市场定位、个性化推荐、精准广告、产品优化和风险控制。学习该领域需掌握多个技术栈，包括相关算法、工具及业务理解。
• 05.2619:26:54
  发表了文章2024-05-26 19:26:54

  大数据之 Solr 集群搭建

  Solr是一个基于Java的高性能全文搜索服务器，扩展自Lucene，提供丰富查询语言和优化的查询性能。它支持通过HTTP接口以XML格式进行索引和搜索操作。在集群环境中，涉及解压软件包，配置环境变量，修改Zookeeper参数，文件分发，启动Solr和Zookeeper服务。建议使用非root用户启动，确保安全。启动后，通过WEB UI验证Solr集群部署是否成功，遇到问题如找不到solr.xml文件，可通过指定-Dsolr.solr.home参数解决。
• 05.2619:23:31
  发表了文章2024-05-26 19:23:31

  Cannot request memory (Xms 65536 kb, Xmx 270336 kb) from system for job test, sleep for 60 secs and

  Azkaban任务因内存不足持续运行，日志显示无法申请65536kb至270336kb内存。系统要求至少3GB内存，但当前executor节点内存低于此阈值。解决方案包括释放内存、增加内存或关闭内存检查（通过在`commonprivate.properties`设置`memCheck.enabled=false`）。
• 05.2619:21:50
  发表了文章2024-05-26 19:21:50

  使用 Spark 抽取 MySQL 数据到 Hive 时某列字段值出现异常（字段错位）

  在 MySQL 的 `order_info` 表中，包含 `order_id` 等5个字段，主要存储订单信息。执行按 `create_time` 降序的查询，显示了部分结果。在 Hive 中复制此表结构时，所有字段除 `order_id` 外设为 `string` 类型，并添加了 `etl_date` 分区字段。然而，由于使用逗号作为字段分隔符，当 `address` 字段含逗号时，数据写入 Hive 出现错位，导致 `create_time` 值变为中文字符串。问题解决方法包括更换字段分隔符或使用 Hive 默认分隔符 `\u0001`。此案例提醒在建表时需谨慎选择字段分隔符。
• 05.2619:21:03
  发表了文章2024-05-26 19:21:03

  【机器学习】Spark ML 对数据进行规范化预处理 StandardScaler 与向量拆分

  标准化Scaler是数据预处理技术，用于将特征值映射到均值0、方差1的标准正态分布，以消除不同尺度特征的影响，提升模型稳定性和精度。Spark ML中的StandardScaler实现此功能，通过`.setInputCol`、`.setOutputCol`等方法配置并应用到DataFrame数据。示例展示了如何在Spark中使用StandardScaler进行数据规范化，包括创建SparkSession，构建DataFrame，使用VectorAssembler和StandardScaler，以及将向量拆分为列。规范化有助于降低特征重要性，提高模型训练速度和计算效率。
• 05.2619:20:39
  发表了文章2024-05-26 19:20:39

  【机器学习】Spark ML 对数据特征进行 One-Hot 编码

  One-Hot 编码是机器学习中将离散特征转换为数值表示的方法，每个取值映射为一个二进制向量，常用于避免特征间大小关系影响模型。Spark ML 提供 OneHotEncoder 进行编码，输入输出列可通过 `inputCol` 和 `outputCol` 参数设置。在示例中，先用 StringIndexer 对类别特征编码，再用 OneHotEncoder 转换，最后展示编码结果。注意 One-Hot 编码可能导致高维问题，可结合实际情况选择编码方式。
• 05.2619:20:03
  发表了文章2024-05-26 19:20:03

  【指标计算】Spark 计算指定用户与其他用户购买的相同商品

  该代码示例使用Spark SQL解决查找指定用户（user01）与其他用户共同购买商品的问题。首先，创建SparkSession和模拟购买数据，然后通过SQL查询获取user01购买的商品集合。接着，对比所有用户购买记录，筛选出购买过相同商品且非user01的用户。输出显示了这些匹配用户的商品ID。关键在于使用`array_contains`函数检查商品是否在指定用户的购买列表中。遇到类似需求时，可参考Spark SQL官方函数文档。欢迎讨论复杂指标计算问题。
• 05.2619:19:20
  发表了文章2024-05-26 19:19:20

  Caused by: java.lang.ClassNotFoundException: com.fasterxml.jackson.core.exc.InputCoercionException

  添加依赖
• 05.2619:18:49
  发表了文章2024-05-26 19:18:49

  IDEA 提交代码到 GitHub 时发生错误

  摘要： 在遇到访问 GitHub 时的错误,这两个命令分别用于处理 SSL 连接问题和连接超时问题。
• 05.2619:17:38
  发表了文章2024-05-26 19:17:38

  DataGrip 配置 HiveServer2 远程连接访问（含账号密码验证）

  该文档介绍了如何为HiveServer2配置账号密码鉴权。提供了一个名为`CustomPasswdAuthenticator`的Java类实现`PasswdAuthenticationProvider`接口，用于验证HiveServer2的用户名和密码。此外，还给出了相关依赖的Maven配置，并说明了如何将编译后的Jar包放入Hive的库中。在Hive的`hive-site.xml`和Hadoop的`core-site.xml`中需配置相应的参数以启用自定义认证。文档还列举了可能遇到的问题及解决方法，包括权限问题、数据插入错误和JVM内存溢出。
• 05.2619:15:06
  发表了文章2024-05-26 19:15:06

  Hive Cli / HiveServer2 中使用 dayofweek 函数引发的BUG！

  在Hive 3.1.2和Spark 3.0.2集群环境中，遇到`dayofweek`函数bug。当`create_date`为字符串类型时，`dayofweek`函数结果错位。修复方法是将`create_date`转换为`date`类型。在Spark SQL中，原始代码能正常运行，未出现此问题。因此建议在Hive中使用转换后的日期类型以避免错误。
• 05.2619:13:35
  发表了文章2024-05-26 19:13:35

  Vmware 虚拟机挂起恢复后发现无法 Ping 通，无法连接到主机

  在Linux主机上，以`root`用户停止NetworkManager服务并重启网络： ```shell systemctl stop NetworkManager systemctl restart network ``` 或修改网卡配置文件`ifcfg-ens33`，添加`NM_CONTROLLED="no"`，然后重启`network`服务： ```shell vim /etc/sysconfig/network-scripts/ifcfg-ens33 systemctl restart network ```
• 05.2619:12:45
  发表了文章2024-05-26 19:12:45

  Hadoop Yarn 核心调优参数

  这是一个关于测试集群环境的配置说明，包括3台服务器（master, slave1, slave2）运行CentOS 7.5，每台有4核CPU和4GB内存。集群使用Hadoop 3.1.3，JDK1.8。Yarn核心配置涉及调度器选择、ResourceManager线程数、节点检测、逻辑处理器使用、核心转换乘数、NodeManager内存和CPU设置，以及容器的内存和CPU限制。配置完成后，需要重启Hadoop并检查yarn配置。
• 05.2619:11:57
  发表了文章2024-05-26 19:11:57

  Hadoop Yarn 配置多队列的容量调度器

  配置Hadoop多队列容量调度器，编辑`capacity-scheduler.xml`，新增`hive`队列，`default`队列占总内存40%，最大60%；`hive`队列占60%，最大80%。配置包括队列容量、用户权限和应用生存时间等，配置后使用`yarn rmadmin -refreshQueues`刷新队列，无需重启集群。多队列配置可在Yarn WEB界面查看。
• 05.2619:11:04
  发表了文章2024-05-26 19:11:04

  NameNode 处理线程配置（心跳并发）

  NameNode线程池处理客户端和数据节点请求，如读写文件及心跳、块报告。通过调整`dfs.namenode.handler.count`（默认10，示例设为21）在`hdfs-site.xml`中可控制并发处理能力。线程数过多或过少都可能影响性能，需平衡资源使用并进行基准测试以确定最佳值。合理线程数可通过公式`int(math.log(N) * 20)`计算，N为服务器数量。例如，3台服务器的计算结果为21。
• 05.2619:10:11
  发表了文章2024-05-26 19:10:11

  HDFS 集群读写压测

  在虚拟机中配置集群时，需设置每台服务器网络为百兆，以模拟实际网络环境。使用Hadoop的`TestDFSIO`进行HDFS性能测试，包括写入和读取数据。写测试中，创建11个128MB文件，平均写入速度为3.86 MB/sec，总处理数据量1408 MB，测试时间137.46秒。资源分配合理，传输速度超过单台服务器理论最大值12.5M/s，说明网络资源已充分利用。读测试主要依赖硬盘传输速率，速度快。测试完成后使用`TestDFSIO -clean`删除测试数据。
• 05.2619:09:04
  发表了文章2024-05-26 19:09:04

  NameNode 故障无法重新启动解决方法

  当NameNode进程挂掉时，若无数据丢失，可直接使用`hdfs --daemon start namenode`重启。但若数据丢失，需从SecondaryNameNode恢复。首先查看启动日志，确认因数据丢失导致的未启动成功问题。接着，将SecondaryNameNode的备份数据拷贝至NameNode的数据存储目录，目录路径在`core-site.xml`中设定。进入NameNode节点，使用`scp`命令从SecondaryNameNode复制数据后，重启NameNode进程，故障即可修复。
• 05.2619:07:09
  发表了文章2024-05-26 19:07:09

  Hadoop 集群一直处于安全模式，强制退出后出现数据丢失警告。解决方法

  本文介绍了Hadoop集群安全模式的相关命令和问题解决。当集群处于安全模式时，可使用`hdfs dfsadmin -safemode get`检查状态，`enter`进入，`leave`或`forceExit`离开。若因数据块不一致导致安全模式持续，可通过强制退出，然后删除丢失数据块的文件以恢复正常。如果遇到权限问题，可以使用`chmod`授权或关闭HDFS权限验证（不推荐），配置修改后需重启集群生效。

  
• 05.2619:06:11
  发表了文章2024-05-26 19:06:11

  Hadoop 集群小文件归档 HAR、小文件优化 Uber 模式

  该文介绍了Hadoop中两种小文件管理策略。首先，通过Hadoop Archive (HAR)将小文件归档成大文件以减少存储和管理开销。操作包括使用`hadoop archive`命令进行归档和解档。其次，文章讨论了小文件优化的Uber模式，这种模式在同一JVM中运行所有MapReduce任务以提高效率和局部性，但可能引发单点故障和资源限制问题。启用Uber模式需在`mapred-site.xml`配置文件中设置相关参数。文中还提供了使用WordCount例子验证Uber模式配置的步骤。
• 05.2619:04:39
  发表了文章2024-05-26 19:04:39

  Hadoop MapReduce 调优参数

  对于 Hadoop v3.1.3，针对三台4核4G服务器的MapReduce调优参数包括：`mapreduce.reduce.shuffle.parallelcopies`设为10以加速Shuffle，`mapreduce.reduce.shuffle.input.buffer.percent`和`mapreduce.reduce.shuffle.merge.percent`分别设为0.8以减少磁盘IO。
• 05.2619:03:56
  发表了文章2024-05-26 19:03:56

  一文看懂 Hive 优化大全（参数配置、语法优化）

  以下是对提供的内容的摘要，总长度为240个字符： 在Hadoop集群中，服务器环境包括3台机器，分别运行不同的服务，如NodeManager、DataNode、NameNode等。集群组件版本包括jdk 1.8、mysql 5.7、hadoop 3.1.3和hive 3.1.2。文章讨论了YARN的配置优化，如`yarn.nodemanager.resource.memory-mb`、`yarn.nodemanager.vmem-check-enabled`和`hive.map.aggr`等参数，以及Map-Side聚合优化、Map Join和Bucket Map Join。
• 05.2619:00:09
  发表了文章2024-05-26 19:00:09

  Hive 表注释乱码解决

  Hive元数据在MySQL默认使用`latin1`字符集导致注释乱码。可通过修改MySQL配置文件`/etc/my.cnf`，在`[mysqld]`和末尾添加`character-set-server=utf8`等设置，重启MySQL。然后在Hive数据库中调整表字段、分区字段、索引注释的字符集。注意，这仅对新表生效。测试创建带注释的Hive表，问题解决。
• 05.2618:59:04
  发表了文章2024-05-26 18:59:04

  Hive 和 HDFS、MySQL 之间的关系

  Hive是Hadoop上的数据仓库工具，用HiveQL进行大数据查询；HDFS是分布式文件系统，用于存储大规模数据，常与Hive结合，提供数据存储和高可靠性。MySQL是RDBMS，适用于结构化数据管理，在大数据环境里可存储Hive的元数据，提升查询效率和元数据管理。三者协同处理数据管理和分析任务。
• 05.2618:58:23
  发表了文章2024-05-26 18:58:23

  【Hive SQL 每日一题】统计用户连续下单的日期区间

  该SQL代码用于统计用户连续下单的日期区间。首先按`user_id`和`order_date`分组并去除重复，然后使用`row_number()`标记行号，并通过`date_sub`与行号计算潜在的连续日期。接着按用户ID和计算后的日期分组，排除连续订单数少于2的情况，最后提取连续下单的起始和结束日期。输出结果展示了用户连续下单的日期范围。
• 05.2618:57:36
  发表了文章2024-05-26 18:57:36

  Zookeeper 启动失败【Cannot open channel to 3 at election address...】

  解决Hadoop Zookeeper连接问题：检查Zookeeper目录权限，使用`sudo chown -R username:username /your_zookeeper_path`授权。确保`zoo.cfg`配置`quorumListenOnAllIPs=true`并监听所有IP。关键是机器ID（如`server.0`, `server.1`等）需与IP或主机名对应，修正`zoo.cfg`中的设置，例如`server.0=hadoop120:2888:3888`等。重启Zookeeper后，问题解决。
• 05.2618:56:30
  发表了文章2024-05-26 18:56:30

  Maxwell 概述、安装、数据同步【一篇搞定】！

  Maxwell 是一个由 Zendesk 开源的用于 MySQL 数据库实时数据捕获和同步的工具，支持多种数据库系统，以 JSON 格式输出变更数据。它实时监控数据库中的更新，将变化传递给其他系统，常用于实时数据管道、数据仓库和事件驱动架构。Maxwell 具有实时性、可配置性和高性能等特点。其工作流程包括 Binlog 解析、数据解析、重构、发布到消息队列（如 Kafka）以及事件处理。安装时需注意 JDK 版本，并配置 MySQL、Zookeeper 和 Kafka。此外，Maxwell 支持定向监听特定库表，并能进行历史和增量数据同步。
• 05.2617:40:06
  发表了文章2024-05-26 17:40:06

  DataX 概述、部署、数据同步运用示例

  DataX是阿里巴巴开源的离线数据同步工具，支持多种数据源之间的高效传输。其特点是多数据源支持、可扩展性、灵活配置、高效传输、任务调度监控和活跃的开源社区支持。DataX通过Reader和Writer插件实现数据源的读取和写入，采用Framework+plugin架构。部署简单，解压即可用。示例展示了如何配置DataX同步MySQL到HDFS，并提供了速度和内存优化建议。此外，还解决了NULL值同步问题及配置文件变量传参的方法。
• 05.2617:34:54
  发表了文章2024-05-26 17:34:54

  Git 快速入门

  初始化Git仓库、移除远程仓库连接、添加新远程仓库如`https://gitee.com/xxx.git`，使用`git pull --rebase`同步、`git add .`添加改动、`git commit -m& quot;message"`提交，放弃提交用`git reset --hard`，最后`git push origin master`推送至远程主分支。
• 05.2617:33:22
  发表了文章2024-05-26 17:33:22

  Ubuntu 20.04 安装部署 TiDB DM v7.3.0 集群【全网独家】

  在Ubuntu上搭建TiDB DM集群的详细步骤分享，作者因工作需求克服了部署难题。测试环境包括3台Ubuntu 20.04主机：1台master和2台worker。首先，确保所有主机安装TiDB单机环境，使用TiUP工具下载并部署。接着，设置主机间免密登录，安装必要组件如sudo、systemd、iproute2和DM组件。配置文件可通过在线或离线方式获取。部署时，根据需求编辑`topology.yaml`，然后使用`tiup dm deploy`命令安装。最后，启动集群并检查节点状态，确认DM集群正常运行。注意，解决内存不足和端口连通性问题以避免错误。
• 05.2617:31:38
  发表了文章2024-05-26 17:31:38

  Ubuntu 20.04 卸载与安装 MySQL 5.7 详细教程

  该文档提供了在Ubuntu上卸载和安装MySQL 5.7的步骤。首先，通过`apt`命令卸载所有MySQL相关软件包及配置。然后，下载特定版本（5.7.32）的MySQL安装包，解压并安装所需依赖。接着，按照特定顺序安装解压后的deb包，并在安装过程中设置root用户的密码。安装完成后，启动MySQL服务，连接数据库并验证。最后，提到了开启GTID和二进制日志的配置方法。
• 05.2617:28:42
  发表了文章2024-05-26 17:28:42

  Ubuntu 报错：System has not been booted with systemd as init system (PID 1). Can‘t operate.

  系统未使用 `systemd` 初始化导致错误。解决方法是通过 `apt` 安装。首先备份并更换`sources.list`，添加阿里云镜像源，然后更新源并以管理员权限运行 `apt-get install systemd -y` 和 `apt-get install systemctl -y` 安装所需组件。
• 05.2617:21:37
  发表了文章2024-05-26 17:21:37

  ARM 堆栈寻址类型区分

  该文介绍了堆栈的两种指向分类：向上生成型（递增堆栈）和向下生成型（递减堆栈），以及堆栈的两种数据状态：满堆栈（指针指向最后数据）和空堆栈（指针指向存放数据的位置）。满递增和满递减是在完整数据单元上操作，而空递增和空递减则允许自定义步长。文中通过图示说明了不同情况下的堆栈存储方式。
• 05.2617:20:36
  发表了文章2024-05-26 17:20:36

  【Hive SQL 每日一题】环比增长率、环比增长率、复合增长率

  该文介绍了环比增长率、同比增长率和复合增长率的概念及计算公式，并提供了SQL代码示例来计算商品的月度增长率。环比增长率是相邻两期数据的增长率，同比增长率是与去年同期相比的增长率，复合增长率则是连续时间段内平均增长的速率。文章还包含了一组销售数据用于演示如何运用这些增长率进行计算。
• 05.2617:19:54
  发表了文章2024-05-26 17:19:54

  【Hive SQL】字符串操作函数你真的会用吗？

  本文介绍了SQL中判断字符串是否包含子串的几种方法。`IN`函数判断元素是否完全等于给定元素组中的某项，而非包含关系。`INSTR`和`LOCATE`函数返回子串在字符串中首次出现的位置，用于检测是否存在子串。`SUBSTR`则用于提取字符串的子串。`LIKE`用于模糊匹配，常与通配符配合使用。注意`IN`并非用于判断子串包含。
• 05.2617:18:41
  发表了文章2024-05-26 17:18:41

  Flume 快速入门【概述、安装、拦截器】

  Apache Flume 是一个开源的数据采集工具，用于从各种数据源（如日志、网络数据、消息队列）收集大规模数据，并将其传输和加载到数据存储系统（如 HDFS、HBase、Hive）。Flume 由数据源（Source）、通道（Channel）、拦截器（Interceptor）和接收器（Sink）组成，支持灵活配置以适应不同的数据流处理需求。安装 Flume 包括解压软件包、配置环境变量和调整日志及内存设置。配置文件定义数据源、通道、拦截器和接收器，拦截器允许预处理数据。Flume 适用于构建数据管道，整合分散数据到中心存储系统，便于分析和报告。
• 05.2617:12:42
  发表了文章2024-05-26 17:12:42

  Hive 解析 JSON 字符串数据的实现方式

  Hive 提供 `get_json_object` 函数解析 JSON 字符串，如 `{"database":"maxwell"}`。`path` 参数使用 `$`、`.`、`[]` 和 `*` 来提取数据。示例中展示了如何解析复杂 JSON 并存储到表中。此外，Hive 3.0.0及以上版本内置 `JsonSerDe` 支持直接处理 JSON 文件，无需手动解析。创建表时指定 `JsonSerDe` 序列化器，并在 HDFS 上存放 JSON 文件，可以直接查询字段内容，方便快捷。
• 05.2617:11:14
  发表了文章2024-05-26 17:11:14

  大数据数仓建模基础理论【维度表、事实表、数仓分层及示例】

  数据仓库建模是组织和设计数据以支持数据分析的过程，包括ER模型和维度建模。ER模型通过实体和关系描述数据结构，遵循三范式减少冗余。维度建模，特别是Kimball方法，用于数据仓库设计，便于分析和报告。事实表存储业务度量，如销售数据，分为累积、快照、事务和周期性快照类型。维度表提供描述性信息，如时间、产品、地点和客户详情。数仓通常分层为ODS(源数据)、DWD(明细数据)、DIM(公共维度)、DWS(数据汇总)和ADS(应用数据)，以优化数据管理、质量、查询性能和适应性。
• 05.2611:44:08
  发表了文章2024-05-26 11:44:08

  retry.RetryInvocationHandler: java.net.NoRouteToHostException: No Route to Host from hadoop100/192.

  Error: NoRouteToHostException connecting hadoop100 to hadoop101. Possible causes include firewall issues or misconfigured IP mappings. Check firewall status with `ufw` (Ubuntu) or `firewalld` (CentOS), ensure correct hosts and hostname entries, and verify passwordless SS
• 05.2611:42:57
  发表了文章2024-05-26 11:42:57

  在 Linux 中通过 SSH 执行远程命令时，无法自动加载环境变量（已解决）

  SSH远程执行命令时遇到“命令未找到”问题，原因是Linux登录方式不同导致环境变量加载差异。解决方案：将环境变量写入`/etc/profile.d/`下的文件，或手动在命令前加载环境变量，如`source /etc/profile`。
• 05.2611:40:09
  发表了文章2024-05-26 11:40:09

  Linux（CentOS7.5） 安装部署 Python3.6（超详细！包含 Yum 源配置！）

  该指南介绍了在Linux系统中配置Yum源和安装Python3的步骤。首先，通过`yum install`和`wget`命令更新和备份Yum源，并从阿里云获取CentOS和EPEL的repo文件。接着，清理和更新Yum缓存。然后，下载Python3源代码包，推荐使用阿里云镜像加速。解压后，安装必要的依赖，如gcc。在配置和编译Python3时，可能需要解决缺少C编译器的问题。完成安装后，创建Python3和pip3的软链接，并更新环境变量。最后，验证Python3安装成功，并可选地升级pip和配置pip源以提高包下载速度。
• 05.2611:37:20
  发表了文章2024-05-26 11:37:20

  Flume 配置文件编写技巧（包会的，抄就完了）

  本文介绍了Apache Flume的基础配置，包括数据源(Source)、数据通道(Channel)和数据处理器(Sink)三大部分。配置文件编写流程包括查阅官方文档、参考样例配置、实际操作配置。文章提供了一个经典例子，展示如何从本地端口收集数据并通过内存通道缓冲，最终记录到日志。配置流程包括声明组件、配置Source、Sink和Channel，然后将它们绑定。通过示例展示了如何配置HTTP Source和HDFS Sink，并给出了完整的配置文件示例及测试步骤，帮助读者理解Flume配置文件的编写。
• 05.2611:33:39
  发表了文章2024-05-26 11:33:39

  Flume 拦截器概念及自定义拦截器的运用

  Apache Flume 的拦截器是事件处理组件，位于Source和Channel之间，用于在写入Channel前对数据进行转换、提取或删除。它们支持数据处理和转换、数据增强、数据过滤以及监控和日志功能。要创建自定义拦截器，需实现Interceptor接口，包含initialize、intercept、intercept(List<Event>)和close方法。配置拦截器时，通过Builder模式实现Interceptor.Builder接口。在Flume配置文件中指定拦截器全类名，如`TestInterceptor$Builder`，然后启动Flume进行测试。
• 05.2611:30:55
  发表了文章2024-05-26 11:30:55

  org.apache.hadoop.security.AccessControlException Permission denied: user=anonymous, access=WRITE...

  在尝试通过 HiveServer2 远程执行 DDL 操作时遇到权限错误，错误信息显示匿名用户（`anonymous`）无权执行写操作。解决方案包括：1) 使用 `hdfs dfs -chmod -R +777 /warehouse` 给目录授权（不推荐，仅适用于测试环境）；2) 配置 Hive 和 Hadoop，创建具有权限的用户，如 `ad`，并将该用户添加到 Hive 的管理员角色和 Hadoop 的 proxyuser 配置中，然后重启相关服务。通过 `beeline` 测试连接和操作，确认权限问题已解决。
• 05.2611:27:15
  发表了文章2024-05-26 11:27:15

  Hive 之 UDF 运用（包会的）

  Hive的UDF允许用户自定义数据处理函数，扩展其功能。`reflect()`函数通过Java反射调用JDK中的方法，如静态或实例方法。例如，调用`MathUtils.addNumbers()`进行加法运算。要创建自定义UDF，可以继承`GenericUDF`，实现`initialize`、`evaluate`和`getDisplayString`方法。在`initialize`中检查参数类型，在`evaluate`中执行业务逻辑。最后，打包项目成JAR，上传到HDFS，并在Hive中注册以供使用。
• 05.2611:23:37
  发表了文章2024-05-26 11:23:37

  IDEA 打包 Spark 项目 POM 文件依赖

  这是一个 Maven POM 示例，用于构建一个使用 Spark 与 Hive 的项目，目标是将数据从 Hive 导入 ClickHouse。POM 文件设置了 Scala 和 Spark 的依赖，包括 `spark-core_2.12`, `spark-sql_2.12`, 和 `spark-hive_2.12`。`maven-assembly-plugin` 插件用于打包，生成包含依赖的和不含依赖的两种 JAR 包。`scope` 说明了依赖的使用范围，如 `compile`（默认），`provided`，`runtime`，`test` 和 `system`。