1.MapReduce源码解析之Mapper
2.大数据笔试真题集锦---第五章:Hive面试题
3.Flink深入浅出：JDBC Connector源码分析
4.一文读懂，大数硬核 Apache DolphinScheduler3.0 源码解析
5.项目实战SpringBoot+Vue基于easyexcel实现Excel大数据量的据源导入导出（包含数据脱敏）--简单易上手
MapReduce源码解析之Mapper
MapReduce，大数据领域的码源码大免费标志性计算模型，由Google公司研发，数据其核心概念"Map"与"Reduce"简明易懂却威力巨大，源码打开了大数据时代的下载潜伏模式源码大门。对于许多大数据工作者来说，大数MapReduce是据源基础技能之一，而源码解析更是码源码大免费深入理解与实践的必要途径。 MapReduce由两部分组成：Map与Reduce。数据Map阶段通过映射函数将一组键值对转换成另一组键值对，源码而Reduce阶段则负责合并这些新的下载键值对。这种并行计算模型极大地提高了大数据处理的大数效率。 本文将聚焦于Map阶段的据源核心实现——Mapper。通过解析Mapper类及其子类的码源码大免费源码，我们可以更深入地理解MapReduce的工作机制，并在易观千帆等技术数据处理中发挥更大的效能。 Mapper类内部包含四个关键方法与一个抽象类： setup()：主要为map()方法做准备，例如加载配置文件、传递参数。 cleanup()：用于清理资源，如关闭文件、处理Key-Value。 map()：程序的逻辑核心，对输入的文本进行处理（如分割、过滤），以键值对的形式写入context。 run()：驱动Mapper执行的主方法，按照预设顺序执行setup()、map()、cleanup()。 Context抽象类扮演着重要角色，用于跟踪任务状态和数据存储，如在setup()中读取配置信息，并作为Key-Value载体。协议系统源码 下面是几个Mapper子类的详细解析： InverseMapper：将键值对反转，适用于不同需求的统计分析。 TokenCounterMapper：使用StringTokenizer对文本进行分割，计算特定token的数量，适用于词频统计等。 RegexMapper：对文本进行正则化处理，适用于特定格式文本的统计。 MultithreadedMapper：利用多线程执行Mapper任务，提高CPU利用率，适用于并发处理。 本文对MapReduce中Mapper及其子类的源码进行了详尽解析，旨在帮助开发者更深入地理解MapReduce的实现机制。后续将探讨更多关键类源码，以期为大数据处理提供更深入的洞察与实践指导。大数据笔试真题集锦---第五章:Hive面试题
我会不间断地更新维护，希望对正在寻找大数据工作的朋友们有所帮助。 第五章目录 第五章 Hive 5.1 Hive 运行原理（源码级） 1.1 reduce端join 在reduce端，对两个表的数据分别标记tag，发送数据。根据分区分组规则获取相同key的数据，再根据tag进行join操作，完成实际连接。 1.2 map端join 将小表复制到每个map task的内存中，仅扫描大表，对大表中key在小表中存在时进行join操作。使用DistributedCache.addCacheFile设置小表，通过标准IO获取数据。 1.3 semi join 先将参与join的表1的key复制到表3中，复制多份到各map task，过滤不在新表3的表2数据，最后进行reduce。 5.2 Hive 建表5.3.1 传统方式建表
定义数据类型，如：TINYINT, STRING, TIMESTAMP, DECIMAL。 使用ARRAY,nuxt 源码讲解 MAP, STRUCT结构。5.3.2 CTAS查询建表
创建表时指定表名、存储格式、数据来源查询语句。 缺点：默认数据类型范围限制。5.3.3 Like建表
通过复制已有表的结构来创建新表。5.4 存储格式和压缩格式
选择ORC+bzip/gzip作为源存储，ORC+Snappy作为中间存储。 分区表单文件不大采用gzip压缩，桶表使用bzip或lzo支持分片压缩。 设置压缩参数，如"orc.compress"="gzip"。5.5 内部表和外部表
外部表使用external关键字和指定HDFS目录创建。 内部表在创建时生成对应目录的文件夹，外部表以指定文件夹为数据源。 内部表删除时删除整个文件夹，外部表仅删除元数据。5.6 分区表和分桶表
分区表按分区字段拆分存储，避免全表查询，提高效率。 动态分区通过设置参数开启，根据字段值决定分区。 分桶表依据分桶字段hash值分组拆分数据。5.7 行转列和列转行
行转列使用split、explode、laterview，列转行使用concat_ws、collect_list/set。5.8 Hive时间函数
from_unixtime、unix_timestamp、to_date、month、weekofyear、quarter、trunc、美国前端源码current_date、date_add、date_sub、datediff。 时间戳支持转换和截断，标准格式为'yyyy-MM-dd HH:mm:ss'。 month函数基于标准格式截断，识别时截取前7位。5.9 Hive 排名函数
row_number、dense_rank、rank。5. Hive 分析函数：Ntile
效果：排序并分桶。 ntile(3) over(partition by A order by B)效果，可用于取前%数据统计。5. Hive 拉链表更新
实现方式和优化策略。5. Hive 排序
order by、order by limit、sort by、sort by limit的原理和应用场景。5. Hive 调优
减少distinct、优化map任务数量、并行度优化、小文件问题解决、存储格式和压缩格式设置。5. Hive和Hbase区别
Hive和Hbase的区别，Hive面向分析、高延迟、结构化，Hbase面向编程、低延迟、非结构化。5. 其他
用过的开窗函数、表join转换原理、sort by和order by的hud菜单源码区别、交易表查询示例、登录用户数量查询、动态分区与静态分区的区别。Flink深入浅出：JDBC Connector源码分析
大数据开发中，数据分析与报表制作是日常工作中最常遇到的任务。通常，我们通过读取Hive数据来进行计算，并将结果保存到数据库中，然后通过前端读取数据库来进行报表展示。然而，使用FlinkSQL可以简化这一过程，通过一个SQL语句即可完成整个ETL流程。
在Flink中，读取Hive数据并将数据写入数据库是常见的需求。本文将重点讲解数据如何写入数据库的过程，包括刷写数据库的机制和原理。
以下是本文将讲解的几个部分，以解答在使用过程中可能产生的疑问：
1. 表的定义
2. 定义的表如何找到具体的实现类（如何自定义第三方sink）
3. 写入数据的机制原理
（本篇基于1..0源码整理而成）
1. 表的定义
Flink官网提供了SQL中定义表的示例，以下以oracle为例：
定义好这样的表后，就可以使用insert into student执行插入操作了。接下来，我们将探讨其中的技术细节。
2. 如何找到实现类
实际上，这一过程涉及到之前分享过的SPI（服务提供者接口），即DriverManager去寻找Driver的过程。在Flink SQL执行时，会通过translate方法将SQL语句转换为对应的Operation，例如insert into xxx中的xxx会转换为CatalogSinkModifyOperation。这个操作会获取表的信息，从而得到Table对象。如果这个Table对象是CatalogTable，则会进入TableFactoryService.find()方法找到对应的实现类。
寻找实现类的过程就是SPI的过程。即通过查找路径下所有TableFactory.class的实现类，加载到内存中。这个SPI的定义位于resources下面的META-INFO下，定义接口以及实现类。
加载到内存后，首先判断是否是TableFactory的实现类，然后检查必要的参数是否满足（如果不满足会抛出异常，很多人在第一次使用Flink SQL注册表时，都会遇到NoMatchingTableFactoryException异常，其实都是因为配置的属性不全或者Jar报不满足找不到对应的TableFactory实现类造成的）。
找到对应的实现类后，调用对应的createTableSink方法就能创建具体的实现类了。
3. 工厂模式+创建者模式，创建TableSink
JDBCTableSourceSinkFactory是JDBC表的具体实现工厂，它实现了stream的sinkfactory。在1..0版本中，它不能在batch模式下使用，但在1.版本中据说会支持。这个类使用了经典的工厂模式，其中createStreamTableSink负责创建真正的Table，基于创建者模式构建JDBCUpsertTableSink。
创建出TableSink之后，就可以使用Flink API，基于DataStream创建一个Sink，并配置对应的并行度。
4. 消费数据写入数据库
在消费数据的过程中，底层基于PreparedStatement进行批量提交。需要注意的是提交的时机和机制。
控制刷写触发的最大数量 'connector.write.flush.max-rows' = ''
控制定时刷写的时间 'connector.write.flush.interval' = '2s'
这两个条件先到先触发，这两个参数都是可以通过with()属性配置的。
JDBCUpsertFunction很简单，主要的工作是包装对应的Format，执行它的open和invoke方法。其中open负责开启连接，invoke方法负责消费每条数据提交。
接下来，我们来看看关键的format.open()方法：
接下来就是消费数据，执行提交了
AppendWriter很简单，只是对PreparedStatement的封装而已
5. 总结
通过研究代码，我们应该了解了以下关键问题：
1. JDBC Sink执行的机制，比如依赖哪些包？（flink-jdbc.jar，这个包提供了JDBCTableSinkFactory的实现）
2. 如何找到对应的实现？基于SPI服务发现，扫描接口实现类，通过属性过滤，最终确定对应的实现类。
3. 底层如何提交记录？目前只支持append模式，底层基于PreparedStatement的addbatch+executeBatch批量提交
4. 数据写入数据库的时机和机制？一方面定时任务定时刷新，另一方面数量超过限制也会触发刷新。
更多Flink内容参考：
一文读懂，硬核 Apache DolphinScheduler3.0 源码解析
全网最全大数据面试提升手册！
一、DolphinScheduler设计与策略
了解DolphinScheduler，首先需要对调度系统有基础的了解，本文将重点介绍流程定义、流程实例、任务定义与任务实例。DolphinScheduler在设计上采用去中心化架构，集群中没有Master与Slave之分，提高系统的稳定性和可用性。
1.1 分布式设计
分布式系统设计分为中心化与去中心化两种模式，每种模式都有其优势与不足。中心化设计的集群中Master与Slave角色明确，Master负责任务分发与监控Slave健康状态，Slave执行任务。去中心化设计中，所有节点地位平等，无“管理者”角色，减少单点故障。
1.1.1 中心化设计
中心化设计包括Master与Slave角色，Master监控健康状态，均衡任务负载。但Master的单点故障可能导致集群崩溃，且任务调度可能集中于Master，产生过载。
1.1.2 去中心化设计
去中心化设计中，所有节点地位平等，通过Zookeeper等分布式协调服务实现容错与任务调度。这种设计降低了单点故障风险，但节点间通信增加了实现难度。
1.2 架构设计
DolphinScheduler采用去中心化架构，由UI、API、MasterServer、Zookeeper、WorkServer、Alert等组成。MasterServer与WorkServer均采用分布式设计，通过Zookeeper进行集群管理和容错。
1.3 容错问题
容错包括服务宕机容错与任务重试。Master容错依赖ZooKeeper，Worker容错由MasterScheduler监控“需要容错”状态的任务实例。任务失败重试需区分任务失败重试、流程失败恢复与重跑。
1.4 远程日志访问
Web(UI)与Worker节点可能不在同一台机器上，远程访问日志需要通过RPC实现，确保系统轻量化。
二、源码分析
2.1 工程模块介绍与配置文件
2.1.1 工程模块介绍
2.1.2 配置文件
配置文件包括dolphinscheduler-common、API、MasterServer与WorkerServer等。
2.2 API主要任务操作接口
API接口支持流程上线、定义、查询、修改、发布、下线、启动、停止、暂停、恢复与执行功能。
2.3 Quaterz架构与运行流程
Quartz架构用于调度任务，Scheduler启动后执行Job与Trigger。基本流程涉及任务初始化、调度与执行。
2.4 Master启动与执行流程
Master节点启动与执行流程涉及Quartz框架、槽（slot）与任务分发。容错代码由Master节点监控并处理。
2.5 Worker启动与执行流程
Worker节点执行流程包括注册、接收任务、执行与状态反馈。负载均衡策略由配置文件控制。
2.6 RPC交互
Master与Worker节点通过Netty实现RPC通信，Master负责任务分发与Worker状态监控，Worker接收任务与反馈执行状态。
2.7 负载均衡算法
DolphinScheduler提供多种负载均衡算法，包括加权随机、平滑轮询与线性负载，通过配置文件选择算法。
2.8 日志服务
日志服务通过RPC与Master节点通信，实现日志的远程访问与查询。
2.9 报警
报警功能基于规则筛选数据，并调用相应报警服务接口，如邮件、微信与短信通知。
本文提供了DolphinScheduler的核心设计与源码分析，涵盖了系统架构、容错机制、任务调度与日志管理等方面，希望对您的学习与应用有所帮助。
项目实战SpringBoot+Vue基于easyexcel实现Excel大数据量的导入导出（包含数据脱敏）--简单易上手
项目实战SpringBoot+Vue通过EasyExcel实现Excel大数据量的高效导入导出，轻松应对数据脱敏需求。 实战过程中，我们展示了以下关键环节： 导入数据：通过多种方式实现，包括简单方法、匿名内部类、自定义ReadListener等，每种方法都适合不同场景的需求。 导出Excel：同样提供多种写法，简单导出和多Sheet页导出，满足不同导出需求。 脱敏处理部分，我们使用了SensitivityEncrypt注解、SensitivitySerializer和SensitivityUtil工具类，确保数据在传输过程中的安全性。 在实际应用中，我们展示了完整的数据导入和导出流程，以及前端页面的配合。遇到数据解析问题时，提供了详细的解决方案。 项目的源码可以在这里找到：[项目源码链接] 感谢EasyExcel团队的详细文档支持，您的支持将继续推动我们不断进步。请随时分享您的使用体验，共同进步。
