spark streaming DS转成DF写代码 package com.shujia.spark.streaming import org.apache.spark.SparkContext import org.apache.spark.rdd.RDD import org.apache.spark.sql.{DataFrame, SparkSession} import org.apache.spark.streaming.dstream.ReceiverInputDStream import
原理回顾 一个RDD的两个分区的数据shuffle到另一个RDD的两个分区中后，如果上一个RDD还存在其他分区没执行完毕的话，不能往下执行，就会造成当前RDD内存数据挤压 所以中间就需要落盘操作，中间需要磁盘文件File shuffle一定会有落盘，但是效率慢，如何提高效率？落盘数据量越少速度就会变
依然使用InnoDB引擎 一、Server层 1. 连接器：连接建立后的权限变更不会对原有连接起作用，重新建立连接后才生效；show processlist命令可以查看系统中的连接，Command列为Sleep的连接为空闲连接；长时间没有动静(默认8小时，参数wait_timeout控制)，连接会自动断开；数据库连接使用长连接有个问
一、概述 由前文可知，RocketMQ有几个非常重要的概念： broker 服务端，负责存储、收发消息producer 客户端1，负责产生消息consumer 客服端2，负责消费消息 既然是消息队列，那消息的存储的重要程度不言而喻，本节我们聚焦broker服务端，看下消息在broker端是如何存储的，它的落盘策略是怎样的，又
1.mysql日志 物理日志 redo恢复 持久性 undo 回滚 原子性 WAL机制 (Write Ahead Log) 逻辑日志 binlog 二阶段提交保持一致性 1.Storage Engine（InnoDB） transaction prepare阶段：存储引擎的准备阶段,写redo-buffer 此时SQL已经成功执行，并生成xid信息及redo和undo的内存日志。 2
F2FS在Write的时候，会进行预分配Data分区的logical data block, 而且每次进行只分配一个data block(大小为4k), 分配好之后再进真正的数据落盘(将数据写入到data分区)。 Ext4在Write的时候，预分配的时候会进行连续分配(分配N个logical data block, N = test_b
首先需要明确Kafka中Producer到Consumer的各个环节。Producer先通过网络发送到Broker，Broker会落入磁盘，Broker再通过网络发送到Consumer。 先看第一个环节Producer到Broker，Producer生产数据时，可以选择单条发给Broker，也可以通过批处理提升速度。在这个环节也可以利用数据压缩功能
分布式和单机场景对append引擎设计的不同要求 单机：只用考虑本地数据的格式、位置和管理分布式：需要考虑分布式一致协议中 日志落盘的格式、位置和管理 append引擎和分布式一致性协议的潜在冲突 append引擎的需求 顾名思义， append引擎期望SSD盘能尽量把数据一路写下去，也就是物理数据
在很多IO场景中，我们经常需要确保数据已经安全的写到磁盘上，以便在系统宕机重启之后还能读到这些数据。但是我们都知道，linux系统的IO路径还是很复杂的，分为很多层，每一层都可能会有buffer来加速IO读写。同时，用户态的应用程序和库函数也可能拥有自己的buffer，这又给IO路径增加了一些复杂
任何一个技术都有其底层的关键基础技术，这些关键技术很有可能也是其他技术的关键技术，学习这些底层技术，就可以一通百通，让你很快的掌握其他技术。如何在磁盘上存储数据，如何使用日志文件保证数据不丢失以及如何落盘，不仅是MySQL等数据库的关键技术，也是MQ消息队列或者其他中间件的
