stage

本系列是对Introducing Starling pdf的翻译，下文是对adobe开发人员中心的一片日志的转载，地址为 http://www.adobe.com/cn/devnet/flashplayer/articles/introducing_Starling.html Starling 是在 Stage3D APIs 基础上开发的一种 ActionScript 3 2D 框架（可用于 Flash Player 11 和 Adobe AIR 3的桌面）。 Starling 是为游戏开发设计的，但是你可以将它应用于很多其它的应用程序。 在不必涉及低级 Stage3D APIs 情况下，Starling 使得编写具有快速 GPU 加速功能的应用程序成为可能。 大多数 Flash 开发人员希望利用这种能力提高 GPU 的加速功能（通过使用 Stage3D 技术），而不必编写如此高级的框架和深入研究低级的 Stage3D APIs。 Starling 是完全基于 Flash Player APIs 而设计，并将 Stage3D（Molehill）复杂性抽象化。 因此每个人都能看到直观的程序。 Starling 是为 ActionScript 3开发人员而设计，尤其是这些涉及2D游戏开发的人员。 在使用 ActionScript 3 之前，你必须基本了解它。由于 Starling 轻便

Hive数据导入导出的几种方式 一，Hive数据导入的几种方式 首先列出讲述下面几种导入方式的数据和hive表。 导入： 本地文件导入到Hive表； Hive表导入到Hive表; HDFS文件导入到Hive表; 创建表的过程中从其他表导入; 通过sqoop将mysql库导入到Hive表；示例见《通过sqoop进行mysql与hive的导入导出》和《定时从大数据平台同步HIVE数据到oracle》 导出： Hive表导出到本地文件系统； Hive表导出到HDFS； 通过sqoop将Hive表导出到mysql库； Hive表： 创建testA： CREATE TABLE testA ( id INT , name string , area string ) PARTITIONED BY ( create_time string ) ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' STORED AS TEXTFILE ; 创建testB： CREATE TABLE testB ( id INT , name string , area string , code string ) PARTITIONED BY ( create_time string ) ROW FORMAT DELIMITED FIELDS TERMINATED BY ',

报错信息： ERROR in ./node_modules/babel-loader/lib!./node_modules/vue-loader/lib/selector.js?type=script&index=0!./app/components/header.vue Module build failed: SyntaxError: F:/web/tabs/app/components/header.vue: Unexpected token (32:7) 原因： 解决： npm isntall --save-dev babel-preset-stage-3 　　 修改.babelrc配置 { "presets": ["es2015", "stage-3"] } 　　 代码中 import {mapGetters} from 'vuex' export default { data(){ return { } }, computed:{ ...mapGetters([ 'isMain' ]) }, methods:{ } } 　　 来源： https://www.cnblogs.com/laneyfu/p/11220674.html

1.修改数据字典以启用相关事件 mysql> use performance_schema mysql> show tables like 'setup%'; +---------------------------------------+ | Tables_in_performance_schema (setup%) | +---------------------------------------+ | setup_actors | | setup_consumers | | setup_instruments | | setup_objects | | setup_timers | +---------------------------------------+ 5 rows in set (0.00 sec) mysql> mysql> update performance_schema.setup_consumers set enabled='YES' where name like 'events_stages_%'; Query OK, 0 rows affected (0.01 sec) Rows matched: 3 Changed: 0 Warnings: 0 mysql> mysql> select * from performance_schema

The Graphics Rendering Pipeline 渲染管线，这章主要讲光栅化渲染管线。 毕业前实习时，也实现过一个简单的软光栅化渲染管线，再复习一下。 在计算机图形学领域，shading指基于表面相对灯光的角度、距灯光的距离、相对于相机的角度和材质的属性等来修改物体/表面/多边形的颜色，进而创造一个具有真实感效果的过程。 In computer graphics, shading refers to the process of altering the color of an object/surface/polygon in the 3D scene, based on things like (but not limited to) the surface's angle to lights, its distance from lights, its angle to the camera and material properties (e.g. bidirectional reflectance distribution function) to create a photorealistic effect. Shading is performed during the rendering process by a program called a

​大数据组件，离线用过hadoop，实时用过spark。 Hadoop现在比较稳定了，面试主要就是问Spark。 包括我工作这么多年，都没搞清过底层到底是怎么运行的，但是有些东西 懂的人一说就通了，优化起来也会有思路。 我下面给spark梳理一下。做个基本概要，方便面试。 一、spark运行原理： 1.提交spark任务，构建spark application运行环境，启动sparkContext。 2.sparkContext向资源管理器（可以使Standalone，Mesos，Yarn）申请运行Executor资源，并启动StandaloneExecutorbackend（后台监控程序）。 注： a.每个节点可以起一个或多个Executor。 3.Executor向SparkContext申请Task。 注： a.每个Executor由若干core组成，每个Executor的每个core一次只能执行一个Task。 b.每个Task执行的结果就是生产了目标RDD的一个partition。 c.这里的core是虚拟机的core而不是机器的物理CPU核，可以理解为就是Executor的一个工作线程。 d.Task被执行并发度（并发度不等于task数量）=Executor数目*每个Executor核数（=core总个数） e.partition数目在map阶段保持不变

这个春节假期由于新冠弄得一直在家憋着，闲得无事把spinnaker代码翻出来把每个微服务重新review一遍，做了一些笔记，今天拿来分享一下，后续如果有spinnaker开发或者bug修复可以直接有的放矢。计划先把核心的几个微服务分几期慢慢介绍下：orca、clouddriver、deck，今天先介绍orca。 Orca名词解释 Orchestration 与pipeline平行，我个人理解是orca这个微服务主要是为了支持pipeline工作流的，为了对接临时性的任务包扩展出了ORCHESTRATION Execution 一次执行。分为两种类型:PIPELINE和ORCHESTRATION，核心属性数一个stage的集合 Stage orca最复杂的类型，关联一个execution和多个task，还维护有parentStage、downStreamStage、output等重要信息 StageContext 驱动这个阶段的环境，提供组件步骤所需的输入 Task Stage的组成部分，orca中最小的操作单元 ExecutionRunner Execution的执行者 ExecutionRepository Execution的存储者，我们的是redis，也承载着检索查询 ExecutionLauncher Execution的启动者，接收json封装成Execution

Spark集群术语解析 1. Application Application是用户在Spark上构建(编写)的程序，包含driver program 和executors（分布在集群中多个节点上运行的Executor代码）。 2. SparkContext Spark的上下文对象，是程序的起点，通往集群的入口（与cluster进行连接），通过其可以创建RDD（获取数据），在其中配置的参数拥有最高优先级。在Spark中由SparkContext负责和ClusterManager通行，进行资源的申请，任务的分配和监控等。 3. Driver program 包含应用程序的main函数，并且运行时会创建SparkContext。当Executor部分运行完后，Driver负责将SparkContext关闭。 4. Cluster Manager 集群资源管理的外部服务，在Spark上现有Standalone(Spark自带的管理器)，YARN(hadoop 2.x的管理器),Mesos等三种集群资源管理器，Standalone能满足绝大部分对集群资源管理的需求，基本上只有在集群中运行多套计算框架（例如同时运行MapReduce和Spark）的时候才建议使用YARN和Mesos。 5. Deploy mode 表明driver程序运行的位置。在”cluster”模式时