Spark Checkpoint写操作代码分析

2024-05-27 12:58
文章标签 分析 代码 操作 spark checkpoint

本文主要是介绍Spark Checkpoint写操作代码分析，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

《Spark RDD缓存代码分析》
　　 《Spark Task序列化代码分析》
　　 《Spark分区器HashPartitioner和RangePartitioner代码详解》
　　 《Spark Checkpoint读操作代码分析》
　　 《Spark Checkpoint写操作代码分析》

　　上次我对Spark RDD缓存的相关代码《Spark RDD缓存代码分析》进行了简要的介绍，本文将对Spark RDD的checkpint相关的代码进行相关的介绍。先来看看怎么使用checkpont：

scala> val data = sc.parallelize(List( "www" , "iteblog" , "com" ))
data : org.apache.spark.rdd.RDD[String] = ParallelCollectionRDD[ 2 ] at parallelize at <console> : 15
scala> sc.setCheckpointDir( "/www/iteblog/com" )
scala> data.checkpoint
scala> data.count

　　先是初始化好相关的RDD，因为checkpoint是将RDD中的数据写到磁盘，所以需要指定一个checkpint目录，也就是sc.setCheckpointDir("/www/iteblog/com")，这步执行完之后会在/www/iteblog/com路径下创建相关的文件夹，比如：/www/iteblog/com/ada54d92-eeb2-4cff-89fb-89a297edd4dc；然后对data RDD进行checkpoint，整个代码运行完，会在/www/iteblog/com/ada54d92-eeb2-4cff-89fb-89a297edd4dc生存相关的文件：

Found 4 items
-rw-r--r-- 3 iteblog iteblog 0 2015-11-25 15:05 /www/iteblog/com/ada54d92-eeb2-4cff-89fb-89a297edd4dc/rdd-2/part-00000
-rw-r--r-- 3 iteblog iteblog 5 2015-11-25 15:05 /www/iteblog/com/ada54d92-eeb2-4cff-89fb-89a297edd4dc/rdd-2/part-00001
-rw-r--r-- 3 iteblog iteblog 9 2015-11-25 15:05 /www/iteblog/com/ada54d92-eeb2-4cff-89fb-89a297edd4dc/rdd-2/part-00002

-rw-r--r-- 3 iteblog iteblog 5 2015-11-25 15:05 /www/iteblog/com/ada54d92-eeb2-4cff-89fb-89a297edd4dc/rdd-2/part-00003
现在来对checkpint的相关代码进行简单介绍。首先就是设置checkpint的目录，这个代码如下：
 
 
 / 
 
   User : 过往记忆 
 
   Date : 2015 - 11 - 25 
 
   Time : 22 : 12 
 
   bolg : http : //www.iteblog.com 
 
   本文地址：http : //www.iteblog.com/archives/1535 
 
   过往记忆博客，专注于hadoop、hive、spark、shark、flume的技术博客，大量的干货 
 
   过往记忆博客微信公共帐号：iteblog _ hadoop 
 
 / 
 
 
 def setCheckpointDir(directory : String) { 
 
 
    // If we are running on a cluster, log a warning if the directory is local. 
 
    // Otherwise, the driver may attempt to reconstruct the checkpointed RDD from 
 
    // its own local file system, which is incorrect because the checkpoint files 
 
    // are actually on the executor machines. 
 
    if (!isLocal && Utils.nonLocalPaths(directory).isEmpty) { 
 
      logWarning( "Checkpoint directory must be non-local " + 
 
        "if Spark is running on a cluster: " + directory) 
 
    } 
 
 
    checkpointDir  = Option(directory).map { dir  = > 
 
      val path  = new Path(dir, UUID.randomUUID().toString) 
 
      val fs  = path.getFileSystem(hadoopConfiguration) 
 
      fs.mkdirs(path) 
 
      fs.getFileStatus(path).getPath.toString 
 
    } 
 
 } 
 
从上面注释可以看出，如果是非local模式，directory要求是HDFS上的目录。事实上，如果你是非local模式，但是指定的checkpint路径是本地路径，程序运行的时候会出现类似以下的异常：
 
 
 org.apache.spark.SparkException : Checkpoint RDD ReliableCheckpointRDD[ 1 ] at count at <console> : 18 ( 0 ) has different number of partitions from original RDD ParallelCollectionRDD[ 0 ] at parallelize at <console> : 15 ( 4 ) 
 
      at org.apache.spark.rdd.ReliableRDDCheckpointData.doCheckpoint(ReliableRDDCheckpointData.scala : 73 ) 
 
      at org.apache.spark.rdd.RDDCheckpointData.checkpoint(RDDCheckpointData.scala : 74 ) 
 
      at org.apache.spark.rdd.RDD$$anonfun$doCheckpoint$ 1 .apply$mcV$sp(RDD.scala : 1655 ) 
 
      at org.apache.spark.rdd.RDD$$anonfun$doCheckpoint$ 1 .apply(RDD.scala : 1652 ) 
 
      at org.apache.spark.rdd.RDD$$anonfun$doCheckpoint$ 1 .apply(RDD.scala : 1652 ) 
 
      at org.apache.spark.rdd.RDDOperationScope$.withScope(RDDOperationScope.scala : 147 ) 
 
      at org.apache.spark.rdd.RDD.doCheckpoint(RDD.scala : 1651 ) 
 
      at org.apache.spark.SparkContext.runJob(SparkContext.scala : 1826 ) 
 
      at org.apache.spark.SparkContext.runJob(SparkContext.scala : 1837 ) 
 
      at org.apache.spark.SparkContext.runJob(SparkContext.scala : 1850 ) 
 
      at org.apache.spark.SparkContext.runJob(SparkContext.scala : 1921 ) 
 
      at org.apache.spark.rdd.RDD.count(RDD.scala : 1125 ) 
 
      at $iwC$$iwC$$iwC$$iwC$$iwC$$iwC.<init>(<console> : 18 ) 
 
      at $iwC$$iwC$$iwC$$iwC$$iwC.<init>(<console> : 23 ) 
 
      at $iwC$$iwC$$iwC$$iwC.<init>(<console> : 25 ) 
 
      at $iwC$$iwC$$iwC.<init>(<console> : 27 ) 
 
      at $iwC$$iwC.<init>(<console> : 29 ) 
 
      at $iwC.<init>(<console> : 31 ) 
 
      at <init>(<console> : 33 ) 
 
      at .<init>(<console> : 37 ) 
 
      at .<clinit>(<console>) 
 
      at .<init>(<console> : 7 ) 
 
      at .<clinit>(<console>) 
 
      at $print(<console>) 
 
      at sun.reflect.NativeMethodAccessorImpl.invoke 0 (Native Method) 
 
      at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java : 57 ) 
 
      at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java : 43 ) 
 
      at java.lang.reflect.Method.invoke(Method.java : 606 ) 
 
      at org.apache.spark.repl.SparkIMain$ReadEvalPrint.call(SparkIMain.scala : 1065 ) 
 
      at org.apache.spark.repl.SparkIMain$Request.loadAndRun(SparkIMain.scala : 1340 ) 
 
      at org.apache.spark.repl.SparkIMain.loadAndRunReq$ 1 (SparkIMain.scala : 840 ) 
 
      at org.apache.spark.repl.SparkIMain.interpret(SparkIMain.scala : 871 ) 
 
      at org.apache.spark.repl.SparkIMain.interpret(SparkIMain.scala : 819 ) 
 
      at org.apache.spark.repl.SparkILoop.reallyInterpret$ 1 (SparkILoop.scala : 857 ) 
 
      at org.apache.spark.repl.SparkILoop.interpretStartingWith(SparkILoop.scala : 902 ) 
 
      at org.apache.spark.repl.SparkILoop.command(SparkILoop.scala : 814 ) 
 
      at org.apache.spark.repl.SparkILoop.processLine$ 1 (SparkILoop.scala : 657 ) 
 
      at org.apache.spark.repl.SparkILoop.innerLoop$ 1 (SparkILoop.scala : 665 ) 
 
      at org.apache.spark.repl.SparkILoop.org$apache$spark$repl$SparkILoop$$loop(SparkILoop.scala : 670 ) 
 
      at org.apache.spark.repl.SparkILoop$$anonfun$org$apache$spark$repl$SparkILoop$$process$ 1 .apply$mcZ$sp(SparkILoop.scala : 997 ) 
 
      at org.apache.spark.repl.SparkILoop$$anonfun$org$apache$spark$repl$SparkILoop$$process$ 1 .apply(SparkILoop.scala : 945 ) 
 
      at org.apache.spark.repl.SparkILoop$$anonfun$org$apache$spark$repl$SparkILoop$$process$ 1 .apply(SparkILoop.scala : 945 ) 
 
      at scala.tools.nsc.util.ScalaClassLoader$.savingContextLoader(ScalaClassLoader.scala : 135 ) 
 
      at org.apache.spark.repl.SparkILoop.org$apache$spark$repl$SparkILoop$$process(SparkILoop.scala : 945 ) 
 
      at org.apache.spark.repl.SparkILoop.process(SparkILoop.scala : 1059 ) 
 
      at org.apache.spark.repl.Main$.main(Main.scala : 31 ) 
 
      at org.apache.spark.repl.Main.main(Main.scala) 
 
      at sun.reflect.NativeMethodAccessorImpl.invoke 0 (Native Method) 
 
      at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java : 57 ) 
 
      at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java : 43 ) 
 
      at java.lang.reflect.Method.invoke(Method.java : 606 ) 
 
      at org.apache.spark.deploy.SparkSubmit$.org$apache$spark$deploy$SparkSubmit$$runMain(SparkSubmit.scala : 674 ) 
 
      at org.apache.spark.deploy.SparkSubmit$.doRunMain$ 1 (SparkSubmit.scala : 180 ) 
 
      at org.apache.spark.deploy.SparkSubmit$.submit(SparkSubmit.scala : 205 ) 
 
      at org.apache.spark.deploy.SparkSubmit$.main(SparkSubmit.scala : 120 ) 
 
      at org.apache.spark.deploy.SparkSubmit.main(SparkSubmit.scala) 
 
setCheckpointDir的过程主要是在指定的目录下创建一个文件夹，这个文件夹会在后面用到。然后我们对RDD进行checkpoint，主要做的事情如下：
 
 
 / 
 
   User : 过往记忆 
 
   Date : 2015 - 11 - 25 
 
   Time : 22 : 12 
 
   bolg : http : //www.iteblog.com 
 
   本文地址：http : //www.iteblog.com/archives/1535 
 
   过往记忆博客，专注于hadoop、hive、spark、shark、flume的技术博客，大量的干货 
 
   过往记忆博客微信公共帐号：iteblog _ hadoop 
 
 / 
 
 
 def checkpoint() : Unit  = RDDCheckpointData.synchronized { 
 
    // NOTE: we use a global lock here due to complexities downstream with ensuring 
 
    // children RDD partitions point to the correct parent partitions. In the future 
 
    // we should revisit this consideration. 
 
    if (context.checkpointDir.isEmpty) { 
 
      throw new SparkException( "Checkpoint directory has not been set in the SparkContext" ) 
 
    }  else if (checkpointData.isEmpty) { 
 
      checkpointData  = Some( new ReliableRDDCheckpointData( this )) 
 
    } 
 
 } 
 
　　程序第一步就是判断checkpointDir是否为空，如果为空直接抛出异常，而这个checkpointDir是由上面的setCheckpointDir函数设置的。这里我们应该设置了checkpointDir，所以直接判断checkpointData.isEmpty是否成立，checkpointData是什么东西呢？它的类型如下：
 
 
 private [spark]  var checkpointData : Option[RDDCheckpointData[T]]  = None 
 
　　RDDCheckpointData类是和RDD一一对应的，保存着一切和RDD checkpint相关的所有信息，而且具体的Checkpint操作都是它（子类）进行的。而对RDD调用checkpoint函数主要就是初始化ReliableRDDCheckpointData对象，供以后进行checkpint操作。从这段代码我们知道，对RDD调用checkpoint函数，其实就是初始化了checkpointData，并不立即执行checkpint操作，你可以理解成这里只是对RDD进行checkpint标记操作。
　　那什么触发真正的checkpoint操作？仔细看上面例子，执行data.count之后才会生成checkpoint文件。是的，只有在Action触发Job的时候才会进行checkpint。Spark在执行完Job之后会判断是否需要checkpint：
 
 
 def runJob[T, U : ClassTag]( 
 
      rdd : RDD[T], 
 
      func : (TaskContext, Iterator[T])  = > U, 
 
      partitions : Seq[Int], 
 
      resultHandler : (Int, U)  = > Unit) : Unit  = { 
 
    if (stopped.get()) { 
 
      throw new IllegalStateException( "SparkContext has been shutdown" ) 
 
    } 
 
    val callSite  = getCallSite 
 
    val cleanedFunc  = clean(func) 
 
    logInfo( "Starting job: " + callSite.shortForm) 
 
    if (conf.getBoolean( "spark.logLineage" ,  false )) { 
 
      logInfo( "RDD's recursive dependencies:\n" + rdd.toDebugString) 
 
    } 
 
    dagScheduler.runJob(rdd, cleanedFunc, partitions, callSite, resultHandler, localProperties.get) 
 
    progressBar.foreach( _ .finishAll()) 
 
    rdd.doCheckpoint() 
 
 } 
 
注意看最后一句代码rdd.doCheckpoint()，这个就是触发RDD的checkpoint的，而doCheckpoint函数的实现如下：
 
 
 private [spark]  def doCheckpoint() : Unit  = { 
 
    RDDOperationScope.withScope(sc,  "checkpoint" , allowNesting  = false , ignoreParent  = true ) { 
 
      if (!doCheckpointCalled) { 
 
        doCheckpointCalled  = true 
 
        if (checkpointData.isDefined) { 
 
          checkpointData.get.checkpoint() 
 
        }  else { 
 
          dependencies.foreach( _ .rdd.doCheckpoint()) 
 
        } 
 
      } 
 
    } 
 
 } 
 
又看到checkpointData了吧？这个就是在执行checkpint()函数定义的，所以如果你的RDD调用了checkpint()函数，那么checkpointData.isDefined肯定是true的。而如果你的父RDD调用了checkpint()函数，最后也会执行你父RDD的checkpointData.get.checkpoint()代码。我们来看看checkpointData中的checkpoint()是如何实现的，代码如下：
 
 
 final def checkpoint() : Unit  = { 
 
    // Guard against multiple threads checkpointing the same RDD by 
 
    // atomically flipping the state of this RDDCheckpointData 
 
    RDDCheckpointData.synchronized { 
 
      if (cpState  == Initialized) { 
 
        cpState  = CheckpointingInProgress 
 
      }  else { 
 
        return 
 
      } 
 
    } 
 
 
    val newRDD  = doCheckpoint() 
 
 
    // Update our state and truncate the RDD lineage 
 
    RDDCheckpointData.synchronized { 
 
      cpRDD  = Some(newRDD) 
 
      cpState  = Checkpointed 
 
      rdd.markCheckpointed() 
 
    } 
 
 } 
 
为了防止多个线程对同一个RDD进行checkpint操作，首先是把checkpint的状态由Initialized变成CheckpointingInProgress，所以如果另一个线程发现checkpint的状态不是Initialized就直接return了。最后就是doCheckpoint实现了：
 
 
 / 
 
   User : 过往记忆 
 
   Date : 2015 - 11 - 25 
 
   Time : 22 : 12 
 
   bolg : http : //www.iteblog.com 
 
   本文地址：http : //www.iteblog.com/archives/1535 
 
   过往记忆博客，专注于hadoop、hive、spark、shark、flume的技术博客，大量的干货 
 
   过往记忆博客微信公共帐号：iteblog _ hadoop 
 
 / 
 
 
 protected override def doCheckpoint() : CheckpointRDD[T]  = { 
 
 
    // Create the output path for the checkpoint 
 
    val path  = new Path(cpDir) 
 
    val fs  = path.getFileSystem(rdd.context.hadoopConfiguration) 
 
    if (!fs.mkdirs(path)) { 
 
      throw new SparkException(s "Failed to create checkpoint path $cpDir" ) 
 
    } 
 
 
    // Save to file, and reload it as an RDD 
 
    val broadcastedConf  = rdd.context.broadcast( 
 
      new SerializableConfiguration(rdd.context.hadoopConfiguration)) 
 
    // TODO: This is expensive because it computes the RDD again unnecessarily (SPARK-8582) 
 
    rdd.context.runJob(rdd, ReliableCheckpointRDD.writeCheckpointFile[T](cpDir, broadcastedConf)  _ ) 
 
    val newRDD  = new ReliableCheckpointRDD[T](rdd.context, cpDir) 
 
    if (newRDD.partitions.length ! = rdd.partitions.length) { 
 
      throw new SparkException( 
 
        s "Checkpoint RDD $newRDD(${newRDD.partitions.length}) has different " + 
 
          s "number of partitions from original RDD $rdd(${rdd.partitions.length})" ) 
 
    } 
 
 
    // Optionally clean our checkpoint files if the reference is out of scope 
 
    if (rdd.conf.getBoolean( "spark.cleaner.referenceTracking.cleanCheckpoints" ,  false )) { 
 
      rdd.context.cleaner.foreach { cleaner  = > 
 
        cleaner.registerRDDCheckpointDataForCleanup(newRDD, rdd.id) 
 
      } 
 
    } 
 
 
    logInfo(s "Done checkpointing RDD ${rdd.id} to $cpDir, new parent is RDD ${newRDD.id}" ) 
 
 
    newRDD 
 
 } 
 
首先是创建写RDD的目录，然后启动一个Job去写Checkpint文件，主要由ReliableCheckpointRDD.writeCheckpointFile来实现写操作。
 
 
 def writeCheckpointFile[T : ClassTag]( 
 
      path : String, 
 
      broadcastedConf : Broadcast[SerializableConfiguration], 
 
      blockSize : Int  = - 1 )(ctx : TaskContext, iterator : Iterator[T]) { 
 
    val env  = SparkEnv.get 
 
    val outputDir  = new Path(path) 
 
    val fs  = outputDir.getFileSystem(broadcastedConf.value.value) 
 
 
    val finalOutputName  = ReliableCheckpointRDD.checkpointFileName(ctx.partitionId()) 
 
    val finalOutputPath  = new Path(outputDir, finalOutputName) 
 
    val tempOutputPath  = 
 
      new Path(outputDir, s ".$finalOutputName-attempt-${ctx.attemptNumber()}" ) 
 
 
    if (fs.exists(tempOutputPath)) { 
 
      throw new IOException(s "Checkpoint failed: temporary path $tempOutputPath already exists" ) 
 
    } 
 
    val bufferSize  = env.conf.getInt( "spark.buffer.size" ,  65536 ) 
 
 
    val fileOutputStream  = if (blockSize <  0 ) { 
 
      fs.create(tempOutputPath,  false , bufferSize) 
 
    }  else { 
 
      // This is mainly for testing purpose 
 
      fs.create(tempOutputPath,  false , bufferSize, fs.getDefaultReplication, blockSize) 
 
    } 
 
    val serializer  = env.serializer.newInstance() 
 
    val serializeStream  = serializer.serializeStream(fileOutputStream) 
 
    Utils.tryWithSafeFinally { 
 
      serializeStream.writeAll(iterator) 
 
    } { 
 
      serializeStream.close() 
 
    } 
 
 
    if (!fs.rename(tempOutputPath, finalOutputPath)) { 
 
      if (!fs.exists(finalOutputPath)) { 
 
        logInfo(s "Deleting tempOutputPath $tempOutputPath" ) 
 
        fs.delete(tempOutputPath,  false ) 
 
        throw new IOException( "Checkpoint failed: failed to save output of task: " + 
 
          s "${ctx.attemptNumber()} and final output path does not exist: $finalOutputPath" ) 
 
      }  else { 
 
        // Some other copy of this task must've finished before us and renamed it 
 
        logInfo(s "Final output path $finalOutputPath already exists; not overwriting it" ) 
 
        fs.delete(tempOutputPath,  false ) 
 
      } 
 
    } 
 
 } 
 
写完Checkpint文件之后，会返回newRDD，并最后赋值给cpRDD，并将Checkpint的状态变成Checkpointed。最后将这个RDD的依赖全部清除（markCheckpointed()）
 
 
 private [spark]  def markCheckpointed() : Unit  = { 
 
    clearDependencies() 
 
    partitions _ = null 
 
    deps  = null    // Forget the constructor argument for dependencies too 
 
 } 
 
整个写操作就完成了。

转载自过往记忆（http://www.iteblog.com/）

这篇关于Spark Checkpoint写操作代码分析的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/1007541。

相关文章

Python实现MQTT通信的示例代码

Python实现MQTT通信的示例代码

《Python实现MQTT通信的示例代码》本文主要介绍了Python实现MQTT通信的示例代码,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一... 目录1. 安装paho-mqtt库‌2. 搭建MQTT代理服务器（Broker）‌‌3. pytho
阅读更多...
MySQL进行数据库审计的详细步骤和示例代码

MySQL进行数据库审计的详细步骤和示例代码

《MySQL进行数据库审计的详细步骤和示例代码》数据库审计通过触发器、内置功能及第三方工具记录和监控数据库活动,确保安全、完整与合规,Java代码实现自动化日志记录,整合分析系统提升监控效率,本文给大... 目录一、数据库审计的基本概念二、使用触发器进行数据库审计1. 创建审计表2. 创建触发器三、Java
阅读更多...
SpringBoot中六种批量更新Mysql的方式效率对比分析

SpringBoot中六种批量更新Mysql的方式效率对比分析

《SpringBoot中六种批量更新Mysql的方式效率对比分析》文章比较了MySQL大数据量批量更新的多种方法,指出REPLACEINTO和ONDUPLICATEKEY效率最高但存在数据风险,MyB... 目录效率比较测试结构数据库初始化测试数据批量修改方案第一种 for第二种 case when第三种
阅读更多...
解决1093 - You can‘t specify target table报错问题及原因分析

解决1093 - You can‘t specify target table报错问题及原因分析

《解决1093-Youcan‘tspecifytargettable报错问题及原因分析》MySQL1093错误因UPDATE/DELETE语句的FROM子句直接引用目标表或嵌套子查询导致,... 目录报js错原因分析具体原因解决办法方法一：使用临时表方法二：使用JOIN方法三：使用EXISTS示例总结报错原
阅读更多...
Ubuntu 24.04启用root图形登录的操作流程

Ubuntu 24.04启用root图形登录的操作流程

《Ubuntu24.04启用root图形登录的操作流程》Ubuntu默认禁用root账户的图形与SSH登录,这是为了安全,但在某些场景你可能需要直接用root登录GNOME桌面,本文以Ubuntu2... 目录一、前言二、准备工作三、设置 root 密码四、启用图形界面 root 登录1. 修改 GDM 配
阅读更多...
JSONArray在Java中的应用操作实例

JSONArray在Java中的应用操作实例

《JSONArray在Java中的应用操作实例》JSONArray是org.json库用于处理JSON数组的类,可将Java对象（Map/List）转换为JSON格式,提供增删改查等操作,适用于前后端... 目录1. jsONArray定义与功能1.1 JSONArray概念阐释1.1.1 什么是JSONA
阅读更多...
MySQL中的LENGTH()函数用法详解与实例分析

MySQL中的LENGTH()函数用法详解与实例分析

《MySQL中的LENGTH()函数用法详解与实例分析》MySQLLENGTH()函数用于计算字符串的字节长度,区别于CHAR_LENGTH()的字符长度,适用于多字节字符集（如UTF-8）的数据验证... 目录1. LENGTH()函数的基本语法2. LENGTH()函数的返回值2.1 示例1：计算字符串
阅读更多...
Android kotlin中 Channel 和 Flow 的区别和选择使用场景分析

Android kotlin中 Channel 和 Flow 的区别和选择使用场景分析

《Androidkotlin中Channel和Flow的区别和选择使用场景分析》Kotlin协程中,Flow是冷数据流,按需触发,适合响应式数据处理；Channel是热数据流,持续发送,支持... 目录一、基本概念界定FlowChannel二、核心特性对比数据生产触发条件生产与消费的关系背压处理机制生命周期
阅读更多...
Java操作Word文档的全面指南

Java操作Word文档的全面指南

《Java操作Word文档的全面指南》在Java开发中,操作Word文档是常见的业务需求,广泛应用于合同生成、报表输出、通知发布、法律文书生成、病历模板填写等场景,本文将全面介绍Java操作Word文... 目录简介段落页头与页脚页码表格图片批注文本框目录图表简介Word编程最重要的类是org.apach
阅读更多...
怎样通过分析GC日志来定位Java进程的内存问题

怎样通过分析GC日志来定位Java进程的内存问题

《怎样通过分析GC日志来定位Java进程的内存问题》：本文主要介绍怎样通过分析GC日志来定位Java进程的内存问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录一、GC 日志基础配置1. 启用详细 GC 日志2. 不同收集器的日志格式二、关键指标与分析维度1.
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2