docker下的spark集群，调整参数榨干硬件

news/2024/11/29 2:42:18/

本文是《docker下，极速搭建spark集群(含hdfs集群)》的续篇，前文将spark集群搭建成功并进行了简单的验证，但是存在以下几个小问题：

  1. spark只有一个work节点，只适合处理小数据量的任务，遇到大量数据的任务要消耗更多时间；
  2. hdfs的文件目录和docker安装目录在一起，如果要保存大量文件，很可能由于磁盘空间不足导致上传失败；
  3. master的4040和work的8080端口都没有开放，看不到job、stage、executor的运行情况；

今天就来调整系统参数，解决上述问题；

最初的docker-compose.yml内容

优化前的docker-compose.yml内容如下所示：

version: "2.2"
services:namenode:image: bde2020/hadoop-namenode:1.1.0-hadoop2.7.1-java8container_name: namenodevolumes:- hadoop_namenode:/hadoop/dfs/name- ./input_files:/input_filesenvironment:- CLUSTER_NAME=testenv_file:- ./hadoop.envports:- 50070:50070resourcemanager:image: bde2020/hadoop-resourcemanager:1.1.0-hadoop2.7.1-java8container_name: resourcemanagerdepends_on:- namenode- datanode1- datanode2env_file:- ./hadoop.envhistoryserver:image: bde2020/hadoop-historyserver:1.1.0-hadoop2.7.1-java8container_name: historyserverdepends_on:- namenode- datanode1- datanode2volumes:- hadoop_historyserver:/hadoop/yarn/timelineenv_file:- ./hadoop.envnodemanager1:image: bde2020/hadoop-nodemanager:1.1.0-hadoop2.7.1-java8container_name: nodemanager1depends_on:- namenode- datanode1- datanode2env_file:- ./hadoop.envdatanode1:image: bde2020/hadoop-datanode:1.1.0-hadoop2.7.1-java8container_name: datanode1depends_on:- namenodevolumes:- hadoop_datanode1:/hadoop/dfs/dataenv_file:- ./hadoop.envdatanode2:image: bde2020/hadoop-datanode:1.1.0-hadoop2.7.1-java8container_name: datanode2depends_on:- namenodevolumes:- hadoop_datanode2:/hadoop/dfs/dataenv_file:- ./hadoop.envdatanode3:image: bde2020/hadoop-datanode:1.1.0-hadoop2.7.1-java8container_name: datanode3depends_on:- namenodevolumes:- hadoop_datanode3:/hadoop/dfs/dataenv_file:- ./hadoop.envmaster:image: gettyimages/spark:2.3.0-hadoop-2.8container_name: mastercommand: bin/spark-class org.apache.spark.deploy.master.Master -h masterhostname: masterenvironment:MASTER: spark://master:7077SPARK_CONF_DIR: /confSPARK_PUBLIC_DNS: localhostlinks:- namenodeexpose:- 7001- 7002- 7003- 7004- 7005- 7077- 6066ports:- 6066:6066- 7077:7077- 8080:8080volumes:- ./conf/master:/conf- ./data:/tmp/data- ./jars:/root/jarsworker:image: gettyimages/spark:2.3.0-hadoop-2.8container_name: workercommand: bin/spark-class org.apache.spark.deploy.worker.Worker spark://master:7077hostname: workerenvironment:SPARK_CONF_DIR: /confSPARK_WORKER_CORES: 2SPARK_WORKER_MEMORY: 1gSPARK_WORKER_PORT: 8881SPARK_WORKER_WEBUI_PORT: 8081SPARK_PUBLIC_DNS: localhostlinks:- masterexpose:- 7012- 7013- 7014- 7015- 8881ports:- 8081:8081volumes:- ./conf/worker:/conf- ./data:/tmp/datavolumes:hadoop_namenode:hadoop_datanode1:hadoop_datanode2:hadoop_datanode3:hadoop_historyserver:

接下来开始优化；

实战环境信息

本次实战所用的电脑是联想笔记本：

  1. CPU：i5-6300HQ（四核四线程）
  2. 内存：16G
  3. 硬盘：256G的NVMe再加500G机械硬盘
  4. 系统：Deepin15
  5. docker：18.09.1
  6. docker-compose：1.17.1
  7. spark：2.3.0
  8. hdfs：2.7.1

调整work节点数量

由于内存有16G，于是打算将work节点数从1个调整到6个，调整后work容器的配置如下：

worker1:image: gettyimages/spark:2.3.0-hadoop-2.8container_name: worker1command: bin/spark-class org.apache.spark.deploy.worker.Worker spark://master:7077hostname: worker1environment:SPARK_CONF_DIR: /confSPARK_WORKER_CORES: 2SPARK_WORKER_MEMORY: 2gSPARK_WORKER_PORT: 8881SPARK_WORKER_WEBUI_PORT: 8081SPARK_PUBLIC_DNS: localhostlinks:- masterexpose:- 7012- 7013- 7014- 7015- 8881volumes:- ./conf/worker1:/conf- ./data/worker1:/tmp/data
worker2:image: gettyimages/spark:2.3.0-hadoop-2.8container_name: worker2command: bin/spark-class org.apache.spark.deploy.worker.Worker spark://master:7077hostname: worker2environment:SPARK_CONF_DIR: /confSPARK_WORKER_CORES: 2SPARK_WORKER_MEMORY: 2gSPARK_WORKER_PORT: 8881SPARK_WORKER_WEBUI_PORT: 8082SPARK_PUBLIC_DNS: localhostlinks:- masterexpose:- 7012- 7013- 7014- 7015- 8881volumes:- ./conf/worker2:/conf- ./data/worker2:/tmp/data

如上所示，注意volumes参数，都映射在了docker-compose.yml同一层级的conf和data两个目录下，这里只贴出了worker1和worker2的内容，worker3-worker6的内容都是类似的；

hdfs的文件目录导致的磁盘空间不足问题

  1. 先来看下hdfs的文件目录配置：
volumes:- hadoop_datanode1:/hadoop/dfs/data
  1. 上面的hadoop_datanode1数据卷的配置在docker-compose.yml的最底部，是默认声明，如下：
volumes:hadoop_namenode:hadoop_datanode1:hadoop_datanode2:hadoop_datanode3:hadoop_historyserver:
  1. 在容器运行状态，执行命令docker inspect datanode1查看容器信息，和数据卷相关的信息如下所示：
"Mounts": [{"Type": "volume","Name": "temp_hadoop_datanode1","Source": "/var/lib/docker/volumes/temp_hadoop_datanode1/_data","Destination": "/hadoop/dfs/data","Driver": "local","Mode": "rw","RW": true,"Propagation": ""}]

可见hdfs容器的文件目录对应的是宿主机的/var/lib/docker/volumes；
4. 用df -m看看磁盘空间情况，如下所示，"/var/lib/docker/volumes"所在的"/dev/nvme0n1p3"设备可用空间只有20多G（29561），显然在保存大量文件时这个空间是不够的，而且hdfs的默认副本数为3：

root@willzhao-deepin:/data/work/spark/temp# df -m
文件系统        1M-块   已用   可用 已用% 挂载点
udev             7893      0   7893    0% /dev
tmpfs            1584      4   1581    1% /run
/dev/nvme0n1p3  43927  12107  29561   30% /
tmpfs            7918      0   7918    0% /dev/shm
tmpfs               5      1      5    1% /run/lock
tmpfs            7918      0   7918    0% /sys/fs/cgroup
/dev/nvme0n1p4  87854    181  83169    1% /home
/dev/nvme0n1p1    300      7    293    3% /boot/efi
/dev/sda1      468428 109152 335430   25% /data
tmpfs            1584      1   1584    1% /run/user/108
tmpfs            1584      0   1584    0% /run/user/0
  1. 上面的磁盘信息显示设备/dev/sda1还有300G，所以hdfs的文件目录映射到/dev/sda1就能缓解磁盘空间问题了，于是修改docker-compose.yml文件中hdfs的三个数据节点的配置，修改后如下：
datanode1:image: bde2020/hadoop-datanode:1.1.0-hadoop2.7.1-java8container_name: datanode1depends_on:- namenodevolumes:- ./hadoop/datanode1:/hadoop/dfs/dataenv_file:- ./hadoop.envdatanode2:image: bde2020/hadoop-datanode:1.1.0-hadoop2.7.1-java8container_name: datanode2depends_on:- namenodevolumes:- ./hadoop/datanode2:/hadoop/dfs/dataenv_file:- ./hadoop.envdatanode3:image: bde2020/hadoop-datanode:1.1.0-hadoop2.7.1-java8container_name: datanode3depends_on:- namenodevolumes:- ./hadoop/datanode3:/hadoop/dfs/dataenv_file:- ./hadoop.env

再将下面这段配置删除：

volumes:hadoop_namenode:hadoop_datanode1:hadoop_datanode2:hadoop_datanode3:hadoop_historyserver:

开发master的4040和work的8080端口

  1. 任务运行过程中，如果有UI页面来观察详情，可以帮助我们更全面直观的了解运行情况，所以需要修改配置开放端口；
  2. 如下所示，expose参数增加4040，表示对外暴露4040端口，ports参数增加4040:4040，表示容器的4040映射到宿主机的4040端口：
  master:image: gettyimages/spark:2.3.0-hadoop-2.8container_name: mastercommand: bin/spark-class org.apache.spark.deploy.master.Master -h masterhostname: masterenvironment:MASTER: spark://master:7077SPARK_CONF_DIR: /confSPARK_PUBLIC_DNS: localhostlinks:- namenodeexpose:- 4040- 7001- 7002- 7003- 7004- 7005- 7077- 6066ports:- 4040:4040- 6066:6066- 7077:7077- 8080:8080volumes:- ./conf/master:/conf- ./data:/tmp/data- ./jars:/root/jars
  1. worker的web端口同样需要打开，访问worker的web页面可以观察worker的状态，并且查看任务日志（这个很重要），这里要注意的是由于有多个worker，所以要映射到宿主机的多个端口，如下配置，workder1的environment.SPARK_WORKER_WEBUI_PORT配置为8081，并且暴露8081，再将容器的8081映射到宿主机的8081，workder2的environment.SPARK_WORKER_WEBUI_PORT配置为8082，并且暴露8082，再将容器的8082映射到宿主机的8082：
 worker1:image: gettyimages/spark:2.3.0-hadoop-2.8container_name: worker1command: bin/spark-class org.apache.spark.deploy.worker.Worker spark://master:7077hostname: worker1environment:SPARK_CONF_DIR: /confSPARK_WORKER_CORES: 2SPARK_WORKER_MEMORY: 2gSPARK_WORKER_PORT: 8881SPARK_WORKER_WEBUI_PORT: 8081SPARK_PUBLIC_DNS: localhostlinks:- masterexpose:- 7012- 7013- 7014- 7015- 8881- 8081ports:- 8081:8081volumes:- ./conf/worker1:/conf- ./data/worker1:/tmp/dataworker2:image: gettyimages/spark:2.3.0-hadoop-2.8container_name: worker2command: bin/spark-class org.apache.spark.deploy.worker.Worker spark://master:7077hostname: worker2environment:SPARK_CONF_DIR: /confSPARK_WORKER_CORES: 2SPARK_WORKER_MEMORY: 2gSPARK_WORKER_PORT: 8881SPARK_WORKER_WEBUI_PORT: 8082SPARK_PUBLIC_DNS: localhostlinks:- masterexpose:- 7012- 7013- 7014- 7015- 8881- 8082ports:- 8082:8082volumes:- ./conf/worker2:/conf- ./data/worker2:/tmp/data

worker3-worker6的配置与上面类似，注意用不同的端口号；

至此，修改已经完成，最终版的docker-compose.yml内容如下：

version: "2.2"
services:namenode:image: bde2020/hadoop-namenode:1.1.0-hadoop2.7.1-java8container_name: namenodevolumes:- ./hadoop/namenode:/hadoop/dfs/name- ./input_files:/input_filesenvironment:- CLUSTER_NAME=testenv_file:- ./hadoop.envports:- 50070:50070resourcemanager:image: bde2020/hadoop-resourcemanager:1.1.0-hadoop2.7.1-java8container_name: resourcemanagerdepends_on:- namenode- datanode1- datanode2env_file:- ./hadoop.envhistoryserver:image: bde2020/hadoop-historyserver:1.1.0-hadoop2.7.1-java8container_name: historyserverdepends_on:- namenode- datanode1- datanode2volumes:- ./hadoop/historyserver:/hadoop/yarn/timelineenv_file:- ./hadoop.envnodemanager1:image: bde2020/hadoop-nodemanager:1.1.0-hadoop2.7.1-java8container_name: nodemanager1depends_on:- namenode- datanode1- datanode2env_file:- ./hadoop.envdatanode1:image: bde2020/hadoop-datanode:1.1.0-hadoop2.7.1-java8container_name: datanode1depends_on:- namenodevolumes:- ./hadoop/datanode1:/hadoop/dfs/dataenv_file:- ./hadoop.envdatanode2:image: bde2020/hadoop-datanode:1.1.0-hadoop2.7.1-java8container_name: datanode2depends_on:- namenodevolumes:- ./hadoop/datanode2:/hadoop/dfs/dataenv_file:- ./hadoop.envdatanode3:image: bde2020/hadoop-datanode:1.1.0-hadoop2.7.1-java8container_name: datanode3depends_on:- namenodevolumes:- ./hadoop/datanode3:/hadoop/dfs/dataenv_file:- ./hadoop.envmaster:image: gettyimages/spark:2.3.0-hadoop-2.8container_name: mastercommand: bin/spark-class org.apache.spark.deploy.master.Master -h masterhostname: masterenvironment:MASTER: spark://master:7077SPARK_CONF_DIR: /confSPARK_PUBLIC_DNS: localhostlinks:- namenodeexpose:- 4040- 7001- 7002- 7003- 7004- 7005- 7077- 6066ports:- 4040:4040- 6066:6066- 7077:7077- 8080:8080volumes:- ./conf/master:/conf- ./data:/tmp/data- ./jars:/root/jarsworker1:image: gettyimages/spark:2.3.0-hadoop-2.8container_name: worker1command: bin/spark-class org.apache.spark.deploy.worker.Worker spark://master:7077hostname: worker1environment:SPARK_CONF_DIR: /confSPARK_WORKER_CORES: 2SPARK_WORKER_MEMORY: 2gSPARK_WORKER_PORT: 8881SPARK_WORKER_WEBUI_PORT: 8081SPARK_PUBLIC_DNS: localhostlinks:- masterexpose:- 7012- 7013- 7014- 7015- 8881- 8081ports:- 8081:8081volumes:- ./conf/worker1:/conf- ./data/worker1:/tmp/dataworker2:image: gettyimages/spark:2.3.0-hadoop-2.8container_name: worker2command: bin/spark-class org.apache.spark.deploy.worker.Worker spark://master:7077hostname: worker2environment:SPARK_CONF_DIR: /confSPARK_WORKER_CORES: 2SPARK_WORKER_MEMORY: 2gSPARK_WORKER_PORT: 8881SPARK_WORKER_WEBUI_PORT: 8082SPARK_PUBLIC_DNS: localhostlinks:- masterexpose:- 7012- 7013- 7014- 7015- 8881- 8082ports:- 8082:8082volumes:- ./conf/worker2:/conf- ./data/worker2:/tmp/data     worker3:image: gettyimages/spark:2.3.0-hadoop-2.8container_name: worker3command: bin/spark-class org.apache.spark.deploy.worker.Worker spark://master:7077hostname: worker3environment:SPARK_CONF_DIR: /confSPARK_WORKER_CORES: 2SPARK_WORKER_MEMORY: 2gSPARK_WORKER_PORT: 8881SPARK_WORKER_WEBUI_PORT: 8083SPARK_PUBLIC_DNS: localhostlinks:- masterexpose:- 7012- 7013- 7014- 7015- 8881- 8083ports:- 8083:8083volumes:- ./conf/worker3:/conf- ./data/worker3:/tmp/dataworker4:image: gettyimages/spark:2.3.0-hadoop-2.8container_name: worker4command: bin/spark-class org.apache.spark.deploy.worker.Worker spark://master:7077hostname: worker4environment:SPARK_CONF_DIR: /confSPARK_WORKER_CORES: 2SPARK_WORKER_MEMORY: 2gSPARK_WORKER_PORT: 8881SPARK_WORKER_WEBUI_PORT: 8084SPARK_PUBLIC_DNS: localhostlinks:- masterexpose:- 7012- 7013- 7014- 7015- 8881- 8084ports:- 8084:8084volumes:- ./conf/worker4:/conf- ./data/worker4:/tmp/dataworker5:image: gettyimages/spark:2.3.0-hadoop-2.8container_name: worker5command: bin/spark-class org.apache.spark.deploy.worker.Worker spark://master:7077hostname: worker5environment:SPARK_CONF_DIR: /confSPARK_WORKER_CORES: 2SPARK_WORKER_MEMORY: 2gSPARK_WORKER_PORT: 8881SPARK_WORKER_WEBUI_PORT: 8085SPARK_PUBLIC_DNS: localhostlinks:- masterexpose:- 7012- 7013- 7014- 7015- 8881- 8085ports:- 8085:8085volumes:- ./conf/worker5:/conf- ./data/worker5:/tmp/dataworker6:image: gettyimages/spark:2.3.0-hadoop-2.8container_name: worker6command: bin/spark-class org.apache.spark.deploy.worker.Worker spark://master:7077hostname: worker6environment:SPARK_CONF_DIR: /confSPARK_WORKER_CORES: 2SPARK_WORKER_MEMORY: 2gSPARK_WORKER_PORT: 8881SPARK_WORKER_WEBUI_PORT: 8086SPARK_PUBLIC_DNS: localhostlinks:- masterexpose:- 7012- 7013- 7014- 7015- 8881- 8086ports:- 8086:8086volumes:- ./conf/worker6:/conf- ./data/worker6:/tmp/data

接下来我们运行一个实例来验证；

验证

  1. 在docker-compose.yml所在目录创建hadoop.env文件，内容如下：
CORE_CONF_fs_defaultFS=hdfs://namenode:8020
CORE_CONF_hadoop_http_staticuser_user=root
CORE_CONF_hadoop_proxyuser_hue_hosts=*
CORE_CONF_hadoop_proxyuser_hue_groups=*HDFS_CONF_dfs_webhdfs_enabled=true
HDFS_CONF_dfs_permissions_enabled=falseYARN_CONF_yarn_log___aggregation___enable=true
YARN_CONF_yarn_resourcemanager_recovery_enabled=true
YARN_CONF_yarn_resourcemanager_store_class=org.apache.hadoop.yarn.server.resourcemanager.recovery.FileSystemRMStateStore
YARN_CONF_yarn_resourcemanager_fs_state___store_uri=/rmstate
YARN_CONF_yarn_nodemanager_remote___app___log___dir=/app-logs
YARN_CONF_yarn_log_server_url=http://historyserver:8188/applicationhistory/logs/
YARN_CONF_yarn_timeline___service_enabled=true
YARN_CONF_yarn_timeline___service_generic___application___history_enabled=true
YARN_CONF_yarn_resourcemanager_system___metrics___publisher_enabled=true
YARN_CONF_yarn_resourcemanager_hostname=resourcemanager
YARN_CONF_yarn_timeline___service_hostname=historyserver
YARN_CONF_yarn_resourcemanager_address=resourcemanager:8032
YARN_CONF_yarn_resourcemanager_scheduler_address=resourcemanager:8030
YARN_CONF_yarn_resourcemanager_resource___tracker_address=resourcemanager:8031
  1. 修改好docker-composes.yml后，执行以下命令启动容器：
docker-compose up -d
  1. 此次验证所用的spark应用的功能是分析维基百科的网站统计信息，找出访问量最大的网页，本次实战用现成的jar包，不涉及编码，该应用的源码和开发详情请参照《spark实战之：分析维基百科网站统计数据(java版)》；
  2. 从github下载已经构建好的spark应用jar文件：
wget https://raw.githubusercontent.com/zq2599/blog_demos/master/files/sparkdemo-1.0-SNAPSHOT.jar
  1. 从github下载维基百科的网站统计信息大数据集，这里只下载了一个文件，建议您参照《寻找海量数据集用于大数据开发实战(维基百科网站统计数据)》下载更多文件用来实战：
wget https://raw.githubusercontent.com/zq2599/blog_demos/master/files/pagecounts-20160801-000000
  1. 将下载的sparkdemo-1.0-SNAPSHOT.jar文件放在docker-compose.xml所在目录的jars目录下；
  2. 在docker-compose.xml所在目录的input_files目录内创建input目录，再将下载的pagecounts-20160801-000000文件放在这个input目录下；
  3. 执行以下命令，将整个input目录放入hdfs：
docker exec namenode hdfs dfs -put /input_files/input /
  1. 执行以下命令，提交一个任务，使用了12个executor，每个1G内存：
docker exec -it master spark-submit \
--class com.bolingcavalry.sparkdemo.app.WikiRank \
--executor-memory 1g \
--total-executor-cores 12 \
/root/jars/sparkdemo-1.0-SNAPSHOT.jar \
namenode \
8020
  1. 宿主机的状态如下所示，CPU和内存都被榨干：
    在这里插入图片描述
  2. 宿主机的IP地址是192.168.1.102，以下是状态信息，地址：http://192.168.1.102:8080/
    在这里插入图片描述
  3. 查看job的Stage情况，如下图，这些信息对学习和掌握spark至关重要，地址：http://192.168.1.102:4040
    在这里插入图片描述
  4. 查看worker1的基本情况，如下图，地址是：http://192.168.1.102:8081
    在这里插入图片描述
  5. 如果想查看worker1上的业务日志，请点击下图红框中的链接，但此时会提示页面访问失败，对应的url是"http://localhost:8081/logPage?appId=app-20190216081637-0002&executorId=5&logType=stdout"，这个地址是页面生成的，我们只要把其中的"localhost"改成宿主机的IP地址就好了：
    在这里插入图片描述
  6. 修改后的链接可以访问，看到的业务日志如下图，红框中就是业务代码输出的日志：
    在这里插入图片描述
    以上就是优化和验证的全部过程，您可以根据自己机器的实际情况来调整参数，将电脑的性能充分的利用起来；

后来我用24个300M的文件做数据集，大约1.5亿条记录，在上述硬件环境运行上述命令，最终耗时30分钟完成，如下图：
在这里插入图片描述

欢迎关注我的公众号：程序员欣宸

在这里插入图片描述


http://www.ppmy.cn/news/241504.html

相关文章

windbg调试ACPI ASL Code 实例一则

windbg调试ACPI ASL Code 实例一则

准备工作:搭建ACPI调试环境请移步至：《搭建Win7调试ACPI的环境》里面有Checked Build ACPI.sys 本文中OS为Win7 x86(镜像:en_windows_7_ultimate_x86_dvd_X15-65921.iso) kd> vertarget ;记得OS一定要和ACPI.sys匹配，否则替换ACPI后OS可能无法启动…
阅读更多...
新生看过来！如何购机？电脑选购相关知识！

新生看过来！如何购机？电脑选购相关知识！

CPU（仅推荐intel处理器如下型号,目前的AMD处理器也是物美价廉）： 标准电压系列： i5-6300HQ（标准电压四核四线程处理器，中、大型3D游戏，中度图像处理和图形设计、图像渲染。） i7-6820K…
阅读更多...
DL4J实战之四：经典卷积实例(GPU版本)

DL4J实战之四：经典卷积实例(GPU版本)

欢迎访问我的GitHub 这里分类和汇总了欣宸的全部原创(含配套源码)：https://github.com/zq2599/blog_demos 本篇概览 作为《DL4J实战》的第四篇，今天咱们不写代码，而是为今后的实战做些准备：在DL4J框架下用GPU加速深度学习的训练过…
阅读更多...
确定你的电脑是否支持安装64位操作系统

确定你的电脑是否支持安装64位操作系统

选择的方法理论指导： 1、首先确认CPU为64位cpu，intel cpu应支持EM64T指令集，amd cpu应支持x86-64指令集，确定方法见以下方法一~方法三； 2、确认计算机物理内存的容量，如果是4G及其以下内存，建…
阅读更多...
6300hq 编程Java,ubuntu keepalived 笔记

6300hq 编程Java,ubuntu keepalived 笔记

环境： master：Ubuntu 12.04(192.168.31.186) backup: Ubuntu 12.04(192.168.31.110) VIP: 192.168.31.100 keepalived的原理可以这样简单理解: keepalived安装在两台物理服务器上，并相互监控对方是否在正常运行。 当master正常的时候:master上…
阅读更多...
22、js - 处理异常

22、js - 处理异常

<body><!-- <button>我是按钮</button> --> </body></html><script>// throw// throw 必须要传 a 和 b;// throw new Error(必须要传 a 和 b);function fn(a, b) {if (!a && !b) {// throw 必须要传 a 和 b;throw new Error…
阅读更多...
嵌入式学习：开源与闭源

嵌入式学习：开源与闭源

开源指的是那些源代码或源设计可以被大众使用、修改发行的软件或设计体&#xff0c;闭源就是不开放源代码。 Linux 无疑是开源软件里最最成功的一个&#xff0c;不管是从它目前的生态建设角度&#xff0c;还是从业界评价来看&#xff0c;包括今天云计算的基础也都倚赖Linux的贡…
阅读更多...
(栈和队列) 150. 逆波兰表达式求值 ——【Leetcode每日一题】

(栈和队列) 150. 逆波兰表达式求值 ——【Leetcode每日一题】

❓150. 逆波兰表达式求值 难度&#xff1a;中等 给你一个字符串数组 tokens &#xff0c;表示一个根据 逆波兰表示法 表示的算术表达式。 请你计算该表达式。返回一个表示表达式值的整数。 注意&#xff1a; 有效的算符为 ‘’、‘-’、‘*’ 和 ‘/’ 。每个操作数&#…
阅读更多...
最新文章

Copyright @ 2022~2023