keep的用法☂

1、keep的用法

1.keep +形容词
2.keep+sth/sb +形容词
3.keep +doing 一直做某事
4.keep …from doing …阻止做某事.
5.keep a pet 饲养一个宠物
6.How long may I keep this book keep指借.

2、0基础如何学习大数据

大数据(big data)，指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。随着互联网+时代的昌盛，大数据分析随之而产生，那如何学习大数据分析呢？有什么要求呢？

1、Java基础:

JAVA开发简介 基本语法 运算符 流程控制语句 数组 函数 面向对象 常用类库 异常 io系统 集合泛型 线程 网络编程 阶段测试

2、JavaWeb:

html+css; html5+css3; javascript; jquery; 数据库; JDBC; WEB服务器、开发工具-MyEclipse; HTTP协议; (数据库连接池)数据源; JavaWeb开发之Servlet、Servlet3.0; 请求与响应; JSP; MVC; 会话管理; 过滤和监听; 异步请求; 阶段测试

3、JavaEE高级+Linux课程+分布式计算:

Jspring框架、mybatis框架、nio、JVM、maven框架、LINUX、MYSQL分库分表、读写分离、JAVA搜索引擎、Redis、消息队列、分布式计算框架、项目实战

4、离线数据分析平台Hadoop:

Hadoop初步; Hadoop分布式文件系统HDFS; MapReduce; Hadoop HA; Hive; Flume;Sqoop; HBase; YARN; 项目实战

5、实时数据分析平台Storm:

python基础; Storm框架; Storm集群; 日志监控业务;Kafka; 项目实战

6、Scala语言与Spark:

Scala语言; Spark; 机器学习;spark与HIVE; 项目实战

对于数据挖掘工程师，Hadoop得熟悉，Python/Java/C++至少得熟悉一门，Shell得会用……总之编程语言绝对是数据挖掘工程师的最核心能力了。

大数据分析师最基础的学习，也是以最精炼的语言让我们得知大数据分析所需要的基础技能。

3、Apache Mahout如何使用

Mahout安装详细全过程1、jdk安装 22、SSH无密码验证配置 23、 Hadoop配置 34、Hadop使用 65、Maven安装 76、安装mahout 77、hadoop集群来执行聚类算法 88、其他 8――――――――――――――――――――1、jdk安装1.1、到官网下载相关的JDK下载地址：

、打开“终端”输入：sh jdk-6u24-linux-

i586.bin

1.3、设置JAVA_HOME环境系统变量输入：vi /etc/environment 在文件中添加：export JAVA_HOME=/root/jdk1.6.0_24 export JRE_Home=/root/jdk1.6.0_24/jre export CLASSPATH=$CLASSPATH:$JAVA_HOME/lib:$JAVA_HOME/jre/lib 同样，修改第二个文件。输入：vi /etc/profile 在umask 022之前添加以下语句：export JAVA_HOME=/root/jdk1.6.0_24 export JRE_Home=/root/jdk1.6.0_24/jre export CLASSPATH=$CLASSPATH:$JAVA_HOME/lib:$JAVA_HOME/jre/lib export PATH=$JAVA_HOME/bin:$JAVA_HOME/jre/bin:$PATH:$HOME/bin 1.4、注销用户，检测JDK版本。输入：java -version 2、集群环境介绍集群包含三个节点：1 个 namenode，2 个 datanode，节点之间局域网连接，可以相互 ping 通。节点 IP 地址分布如下：Namenode: master@192.168.1.10Datanode1: slave1 @192.168.1.20Datanode2: slave2@192.168.1.21三台节点上均是CentOS系统，Hadoop在/root/hadoop/目录下。在/etc/hosts上添加主机名和相应的IP地址：192.168.1.10 master192.168.1.20 slave1192.168.1.21 slave23、SSH无密码验证配置2.1 Hadoop 需要使用SSH 协议，namenode 将使用SSH 协议启动 namenode和datanode 进程，伪分布式模式数据节点和名称节点均是本身，必须配置 SSH localhost无密码验证。用root用户登录，在家目录下执行如下命令：ssh-keygen -t rsa [root@master ~]# ssh-keygen -t rsaGenerating public/private rsa key

pair.Enter

file in which to save the key (/root/

.ssh/id_rsa):

& 按回车默认路径 &Created directory '/root/.ssh'. &创建/root/

.ssh

目录&Enter passphrase (empty for no passphrase):Enter same passphrase again: Your identification has been saved in /root/

.ssh/id_rsa.Your

public key has been saved in /root/

.ssh/id_rsa.pub.The

key fingerprint is:c6:7e:57:59:0a:2d:85:49:23:cc:c4:58:ff:db:5b:38 root@master通过以上命令将在/root/

.ssh/

目录下生成id_rsa私钥和

id_rsa.pub

公钥。进入/root/

.ssh

目录在namenode节点下做如下配置：[root@master .ssh]# cat

id_rsa.pub

> authorized_keys[root@master .ssh]# scp authorized_keys 192.168.1.20:/root/

.ssh/[root@master

.ssh]# scp authorized_keys 192.168.1.21:/root/

.ssh/

配置完毕，可通过ssh 本机IP 测试是否需要密码登录。2.2 和namenode无密码登录所有Datanode原理一样，把Datanode的公钥复制到Namenode的

.ssh

目录下。[root@slave1 .ssh]# scp authorized_keys1 192.168.1.10:/root /.ssh[root@ slave2.ssh]# scp authorized_keys2 192.168.1.10:/root /

.ssh

将刚传过来的authorized_keys1、2加入到authorized_keys[root@ master.ssh]# cat authorized_keys1 > authorized_keys[root@ master.ssh]# cat authorized_keys2 > authorized_keys这样也能在Datanode上关闭和启动Hadoop服务。4、 Hadoop配置下载 hadoop-

0.20.2.tar.gz

， 进行解压。tar zxvf hadoop-

0.20.2.tar.gz

修改/etc/profile，加入如下：# set hadoop pathexport HADOOP_HOME=/root/hadoopexport PATH=$HADOOP_HOME/bin:$PATH4.1、进入hadoop/conf， 配置Hadoop配置文件4.1.1 配置hadoop-

env.sh

文件添加 # set java environmentexport JAVA_HOME=/root/jdk1.6.0_24编辑后保存退出。4.1.2 配置core-site.xml# vi core-site.xml4.1.3 配置hdfs-site.xml# vi hdfs-site.xml4.1.4 配置mapred-site.xml# vi mapred-site.xml4.1.5 配置masters# vi masters192.168.1.104.1.6 配置slaves# vi slaves192.168.1.20192.168.1.214.2、 Hadoop启动4.2.1 进入 /root/hadoop/bin目录下，格式化namenode# ./hadoop namenode �Cformat4.2.2 启动hadoop所有进程在/root/hadoop/bin 目录下，执行start-

all.sh

命令启动完成后，可用jps命令查看hadoop进程是否启动完全。正常情况下应该有如下进程：10910 NameNode11431 Jps11176 SecondaryNameNode11053 DataNode11254 JobTracker11378 TaskTracker 我在搭建过程中，在此环节出现的问题最多，经常出现启动进程不完整的情况，要不是datanode无法正常启动，就是namenode或是TaskTracker启动异常。解决的如下：1）在Linux下关闭防火墙：使用service iptables stop命令；2）再次对namenode进行格式化：在/root/hadoop/bin 目录下执行hadoop namenode -format命令3）对服务器进行重启4）查看datanode或是namenode对应的日志文件，日♟志文件保存在/root/hadoop/logs目录下。5）再次在/bin目录下用start-

all.sh

命令启动所有进程，通过以上的几个方法应该能解决进程启动不完全的问题了。4.2.3 查看集群状态在 bin目录下执行：hadoop dfsadmin -report# hadoop dfsadmin �Creport4.3 在WEB页面下查看Hadoop工作情况打开IE浏览器输入部署Hadoop服务器的IP：:50070:50030。5、Hadop使用一个测试例子wordcount：计算输入文本中词语数量的程序。WordCount在Hadoop主目录下的java程序包hadoop-0.20.2-

examples.jar

中，执行步骤如下：在/root/hadoop/bin/目录下进行如下操作：./hadoop fs -mkdir input(新建目录名称，可任意命名)mkdir /root/a/vi /root/a/

a.txt

写入hello world hello# hadoop fs -copyFromLocal /root/a/ input在/root/hadoop/bin下执行：# ./hadoop jar hadoop-0.20.2-

examples.jar

wordcount input output (提交作业，此处需注意input与output是一组任务，下次再执行wordcount程序，还要新建目录intput1与output1不能跟input与output重名)6、Maven安装6.1下载Maven解压tar vxzf apache-maven-3.0.2-

bin.tar.gzmv

apache-maven-3.0.2 /root/maven6.2 vi ~/

.bashrc

添加如下两行export M3_HOME=/root/mavenexport PATH=${M3_HOME}/bin:${PATH}6.3 先logout，之后再login查看maven版本，看是否安装成功mvn -version7、安装mahout安装方法见：

、hadoop集群来执行聚类算法8.1数据准备cd /root/hadoopwget

./hadoop fs -mkdir testdata./hadoop fs -put

synthetic_control.data

testdata./hadoop fs -lsr testdatabin/hadoop jar /root/mahout/mahout-examples-0.4-

job.jar

org.apache.mahout.clustering.syntheticcontrol.kmeans.Job8.3查看一下结果吧bin/mahout vectordump –seqFile /user/root/output/data/part-r-00000这个直接把结果显示在控制台上。9、hadoop集群来执行推荐算法分布式bin/hadoop jar /root/trunk/mahout-distribution-0.4/mahout-core-0.4-

job.jar

org.apache.mahout.cf.taste.hadoop.item.RecommenderJob

-Dmapred.map.tasks=3 -Dmapred.reduce.tasks=3 -Dmapred.input.dir=testdata/

100wan.txt

-Dmapred.output.dir=output2伪分布式bin/hadoop jar /root/trunk/mahout-distribution-0.4/mahout-core-0.4-

job.jar

org.apache.mahout.cf.taste.hadoop.pseudo.RecommenderJob

–recommenderClassName

org.apache.mahout.cf.taste.impl.recommender.slopeone.SlopeOneRecommender

-Dmapred.input.dir=testdata/

10wan.dat

-Dmapred.output.dir=output_w10wan10、其他离开安全模式：hadoop dfsadmin -safemode leave

4、大数据的框架主要学习和使用什么呢

消息队列很多：

1、RabbitMQ

RabbitMQ 2007年发布，是一个在AMQP(高级消息队列协议)基础上完成的，可复用的企业消息系统，是当前最主流的消息中间件之一。

2、ActiveMQ

ActiveMQ是由Apache出品，ActiveMQ 是一个完全支持JMS1.1和J2EE 1.4规范的 JMS Provider实现。它非常快速，支持多种语言的客户端和协议，而且可以非常容易的嵌入到企业的应用环境中，并有许多高级功能

3、RocketMQ

RocketMQ出自 阿里公司的开源产品，用 Java 语言实现，在设计时参考了 Kafka，并做出了自己的一些改进，消息可靠性上比 Kafka 更好。RocketMQ在阿里集团被广泛应用在订单，交易，充值，流计算，消息推送，日志流式处理等

4、Kafka

Apache Kafka是一个分布式消息发布订阅系统。它最初由LinkedIn公司基于独特的设计实现为一个分布式的提交日志系统( a distributed commit log)，，之后成为Apache项目的一部分。Kafka系统快速、可扩展并且可持久化。它的分区特性，可复制和可容错都是其不错的特性。

5、如何优化MySQL千万级大表

概述

使用阿里云rds for MySQL数据库（就是MySQL5.6版本），有个用户上网记录表6个月的数据量近2000万，保留最近一年的数据量达到4000万，查询速度极慢，日常卡死，严重影响业务。

老系统，当时设计系统的人大概是大学没毕业，表设计和SQL语句写的不仅仅是垃圾，简直无法直视。原开发人员都已离职，到我来维护，这就是传说中的维护不了就跑路，然后我就是掉坑的那个！！！

方案概述

方案一：优化现有MySQL数据库。优点：不影响现有业务，源程序不需要修改代码，成本最低。缺点：有优化瓶颈，数据量过亿就玩完了。

方案二：升级数据库类型，换一种100%兼容MySQL的数据库。优点：不影响现有业务，源程序不需要修改代码，你几乎不需要做任何操作就能提升数据库性能，缺点：多花钱。

方案三：一步到位，大数据解决方案，更换newSQL/noSQL数据库。优点：没有数据容量瓶颈，缺点：需要修改源程序代码，影响业务，总成本最高。

优化现有MySQL数据库数据库设计

表字段避免null值出现，null值很难查询优化且占用额外的索引空间，推荐默认数字0代替null。

尽量使用INT而非BIGINT，如果非负则加上UNSIGNED（这样数值容量会扩大一倍），当然能使用TINYINT、SMALLINT、MEDIUM_INT更好。

尽量使用TIMESTAMP而非DATETIME。

单表不要有太多字段，建议在20以内。

用整型来存IP。

索引并不是越多越好，要根据查询有针对性的创建，考虑在WHERE和ORDER BY命令上涉及的列建立索引，可根据EXPLAIN来查看是否用了索引还是全表扫描。

应尽量避免在WHERE子句中对字段进行NULL值判断，否则将导致引擎放弃使用索引而进行全表扫描。

值分布很稀少的字段不适合建索引，例如"性别"这种只有两三个值的字段。

字符字段最好不要做主键。

不用外键，由程序保证约束。

尽量不用UNIQUE，由程序保证约束。

使用多列索引时注意顺序和查询条件保持一致，同时删除不必要的单列索引。

使用可存下数据的最小的数据类型，整型 < date,time < char,varchar < blob

使用简单的数据类型，整型比字符处理开销更小，因为字符串的比较更复杂。如，int类型存储时间类型，bigint类型转ip函数。

使用合理的字段属性长度，固定长度的表会更快。使用enum、char而不是varchar。

尽可能使用not null定义字段。

尽量少用text，非用不可最好分表。

查询频繁的列，在where，group by，order by，on从句中出现的列。

where条件中<，<=，=，>，>=，between，in，以及like 字符串+通配符（%）出现的列。

长度小的列，索引字段越小越好，因为数据库的存储单位是页，一页中能存下的数据越多越好。

离散度大（不同的值多）的列，放在联合索引前面。查看离散度，通过统计不同的列值来实现，count越大，离散程度越高。

SQL编写

使用limit对查询结果的记录进行限定。

避免select ，将需要查找的字段列出来。

使用连接（join）来代替子查询。

拆分大的delete或insert语句。

可通过开启慢查询日志来找出较慢的SQL。

不做列运算：SELECT id WHERE age + 1 = 10，任何对列的操作都将导致表扫描，它包括数据库教程函数、计算表达式等等，查询时要尽可能将操作移至等号右边。

SQL语句尽可能简单：一条SQL只能在一个cpu运算；大语句拆小语句，减少锁时间；一条大SQL可以堵死整个库。

OR改写成IN：OR的效率是n级别，IN的效率是log(n)级别，in的个数建议控制在200以内。

不用函数和触发器，在应用程序实现。

避免%xxx式查询。

少用JOIN。

使用同类型进行比较，比如用'123'和'123'比，123和123比。

尽量避免在WHERE子句中使用!=或<>操作符，否则将引擎放弃使用索引而进行全表扫描。

对于连续数值，使用BETWEEN不用IN：SELECT id FROM t WHERE num BETWEEN 1 AND 5。

列表数据不要拿全表，要使用LIMIT来分页，每页数量也不要太大。

分区

分区表的数据更容易维护，可以通过清楚整个分区批量删除大量数据，也可以增加新的分区来支持新插入的数据。另外，还可以对一个独立分区进行优化、检查、修复等操作。

部分查询能够从查询条件确定只落在少数分区上，速度会很快。

分区表的数据还可以分布在不同的物理设备上，从而搞笑利用多个硬件设备。

可以使用分区表赖避免某些特殊瓶颈，例如InnoDB单个索引的互斥访问、ext3文件系统的inode锁竞争。

可以备份和恢复单个分区。

一个表最多只能有1024个分区。

如果分区字段中有主键或者唯一索引的列，那么所有主键列和唯一索引列都必须包含进来。NULL值会使分区过滤无效。

所有分区必须使用相同的存储引擎。

分表

分表就是把一张大表，按照如上过程都优化了，还是查询卡死，那就把这个✃表分成多张表，把一次查询分成多次查询，然后把结果组合返回给用户。

分表分为垂直拆分和水平拆分，通常以某个字段做拆分项。比如以id字段拆分为100张表：表名为 tableName_id%100。

但：分表需要修改源程序代码，会给开发带来大量工作，极大的增加了开发成本，故：只适合在开发初期就考虑到了大量数据存在웃，做好了分表处理，不适合应用上线了再做修改，成本太高！！！而且选择这个方案，都不如选择我提供的第二第三个方案的成本低！故不建议采用。

分库升级数据库

开源数据库会带来大量的运维成本且其工业品质和MySQL尚有差距，有很多坑要踩，如果你公司要求必须自建数据库，那么选择该类型产品。如tiDB pingcap/tidb，Cubrid Open Source Database With Enterprise Features。

阿里云POLARDB，POLARDB 是阿里云自研的下一代关系型分布式云原生数据库，100%兼容MySQL，存储容量最高可达 100T，性能最高提升至 MySQL 的 6 倍。POLARDB 既融合了商业数据库稳定、可靠、高性能的特征，又具有开源数据库简单、可扩展、持续迭代的优势，而成本只需商用数据库的 1/10。

阿里云OcenanBase，淘宝使用的，扛得住双十一，性能卓著，但是在公测中，我无法尝试，但值得期待。

阿里云HybridDB for MySQL (原PetaData)，云数据库HybridDB for MySQL （原名PetaData）是同时支持海量数据在线事务（OLTP）和在线分析（OLAP）的HTAP（Hybrid Transaction/Analytical Processing）关系型数据库。

腾讯云DCDB，DCDB又名TDSQL，一种兼容MySQL协议和语法，支持自动水平拆分的高性能分布式数据库——即业务显示为完整的逻辑表，数据却均匀的拆分到多个分片中；每个分片默认✪采用主备架构，提供灾备、恢复、监控、不停机扩容等全套解决方案，适用于TB或PB级的海量数据场景。

hadoop家族。hbase/hive怼上就是了。但是有很高的运维成本，一般公司是玩不起的，没十万投入是不会有很好的产出的！

我选择了阿里云的MaxCompute配合DataWorks，使用超级舒服，按量付费，成本极低。

MaxCompute可以理解为开源的Hive，提供SQL/mapreduce/ai算法/python脚本/shell脚本◑等操作数据，数据以表格的形式展现，以分布式存储，采用定时任务和批处理的处理数据。DataWorks提供了一种工作流的管理你的数据处理任务和调度监控。

当然你也可以选择阿里云hbase等其他产品，我这里主要是离线处理，故选择MaxCompute，基本都是图形界面操作，大概写了300行SQL，费用不超过100块钱就解决了数据处理问题。