多个一维列表（数组）存入csv文件或excel文件
可以用函数将其存入文件中，下次可以直接调用。
Linux安装Hadoop（图文解说详细版）
0基础Linux安装hadoop
kafka单条消息过大导致线上OOM，运维连夜跑路了！
消费端的fetch.message.max.bytes指定最大消息需要的内存空间，同样，分区数最大需要内存空间不能超过服务器内存。查看kafka配置，默认单条消息最大1M，当单条消息长度超过1M，就会出现发送到broker失败，从而导致消息在producer的队列一直累积，直到Pro OOM。通过性
Spring Cloud 总结 - 调用远程服务的三种方式及原理分析
然后这些 自定义注解 就可以反过来为我们注入 Bean 时, 起到限定的作用(上面已经讲过它限定了什么).于是我们再回过头看下。
《数字中国建设整体布局规划》充分发挥“数据”生产要素：形成横向打通、纵向贯通、协调有力的一体化推进格局...
关键词：数字中国，数据要素，2522，数字基础设施、数据要素市场化配置、数字技术创新、数字经济、数字政府、数字文化这是继《关于构建数据基础制度更好发挥数据要素作用的意见》（后文简称“数据二十条”）之后，又一具有顶层设计意义的重要文件。如果说近期发布的“数据二十条”建构了我国数据要素领域的基础制度，起
Hive自定义UDF函数详解
Hive自定义UDF函数详解一、UDF概述二、UDF种类三、如何自定义UDF四、自定义实现UDF和UDTF4.1 需求4.2 项目pom文件4.3 Hive建表测试及数据4.4 UDF函数编写4.5 UDTF函数编写一、UDF概述UDF全称：User-Defined Functions，即用户自定义
什么是列式存储和行式存储
列式存储：每一列单独存放，数据即是索引。只访问涉及得列，如果我们想访问单独一列（比如NAME）会相当迅捷。一行数据包含一个列或者多个列，每个列一单独一个cell来存储数据。行式存储： 把一行数据作为一个整体来存储。学习：https://blog.csdn.net/qq_43543789/articl
RabbitMQ之交换机
一. Exchange(交换机)的作用在RabbitMQ中，生产者发送消息不会直接将消息投递到队列中，而是先将消息投递到交换机中，在由交换机转发到具体的队列，队列再将消息以推送或者拉取方式给消费者进行消费。创建消息 路由键 pull/push生产者-----
RabbitMQ消息确认机制和消息重发机制
mq防止消息丢失以及保证消息的幂等性
spark性能调优(二):内存
spark性能调优
Flink-----Flink CDC 实现数据实时同步
initial()模式即获取创建表有史以来的日志，但是遇见布置CDC后的日志就报错·latest()模式即获取最新的日志，但运行就报错以上两个错误都是以下显示错误说明提示没有为该表设置日志归档错误原因cdc底层自动将配置的表名转为小写，而oracle日志的表名是大写，导致cdc无法找到配置表的日志，
RabbitMQ顺序性、可靠性、重复消费、消息堆积解决方案
RabbitMQ使用过程中，有些业务场景需要我们保证顺序消费，例如：业务上产生三条消息，分别是对数据的增加、修改、删除操作，如果没有保证顺序消费，执行顺序可能变成删除、修改、增加，这就乱了。RabbitMQ的消息顺序问题，需要分三个环节看待
ES部署-单机部署
ES的安装和Linux配置优化
新鲜速递：Spring Data JPA 3.0快速入门、进阶到精通
随着Spring Boot 3.0的发布，Spring Data JPA 3.0也逐渐走入大家的视野，本文将由浅入深的传授如何快速入门和使用Spring Data JPA。
到底什么是5G LAN？
今天这篇文章，我们来聊聊5G LAN。大家如果对通信技术稍有了解的话，就会发现，5G LAN其实是一个很有意思的概念。对于5G，大家应该都很熟悉，它是4G 的演进，也是目前我们最新的移动通信技术。而对于LAN，大家应该更熟悉。它的全称是local area network，也就是局域网。我们家里的网
Python小案例（十）利用PySpark循环写入数据
结合python的字符串格式化和PySpark的Hive写入，就可以完成循环写入临时数据
Kafka之消费全流程
大家好我是月夜枫，我们接着继续去理解最后这条消息是如何被消费者消费掉的。其中最核心的有以下内容。
达梦VS金仓：选哪个国产数据库？比一比，看看哪个更优！
本文介绍了武汉达梦、人大金仓两家国产数据库的优劣，同时对两款数据库做出对比，从不同维度出发，助力各位找到适合自己的数据库
Hudi学习01 -- Hudi简介及编译安装
hudi编译和hudi介绍
关于ETL的两种架构（ETL架构和ELT架构）
在ELT架构中，ELT只负责提供图形化的界面来设计业务规则，数据的整个加工过程都在目标和源的数据库之间流动，ELT协调相关的数据库系统来执行相关的应用，数据加工过程既可以在源数据库端执行，也可以在目标数据仓库端执行（主要取决于系统的架构设计和数据属性）。当ETL过程需要提高效率，则可以通过对相关数据
