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

java之Objects.nonNull用法代码解读

java之Objects.nonNull用法代码解读

《java之Objects.nonNull用法代码解读》：本文主要介绍java之Objects.nonNull用法代码,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... 目录Java之Objects.nonwww.chinasem.cnNull用法代码Objects.nonN
阅读更多...
Spring事务中@Transactional注解不生效的原因分析与解决

Spring事务中@Transactional注解不生效的原因分析与解决

《Spring事务中@Transactional注解不生效的原因分析与解决》在Spring框架中,@Transactional注解是管理数据库事务的核心方式,本文将深入分析事务自调用的底层原理,解释为... 目录1. 引言2. 事务自调用问题重现2.1 示例代码2.2 问题现象3. 为什么事务自调用会失效3
阅读更多...
SpringBoot实现MD5加盐算法的示例代码

SpringBoot实现MD5加盐算法的示例代码

《SpringBoot实现MD5加盐算法的示例代码》加盐算法是一种用于增强密码安全性的技术,本文主要介绍了SpringBoot实现MD5加盐算法的示例代码,文中通过示例代码介绍的非常详细,对大家的学习... 目录一、什么是加盐算法二、如何实现加盐算法2.1 加盐算法代码实现2.2 注册页面中进行密码加盐2.
阅读更多...
python+opencv处理颜色之将目标颜色转换实例代码

python+opencv处理颜色之将目标颜色转换实例代码

《python+opencv处理颜色之将目标颜色转换实例代码》OpenCV是一个的跨平台计算机视觉库,可以运行在Linux、Windows和MacOS操作系统上,：本文主要介绍python+ope... 目录下面是代码+ 效果 + 解释转HSV： 关于颜色总是要转HSV的掩膜再标注总结 目标：将红色的部分滤
阅读更多...
找不到Anaconda prompt终端的原因分析及解决方案

找不到Anaconda prompt终端的原因分析及解决方案

《找不到Anacondaprompt终端的原因分析及解决方案》因为anaconda还没有初始化,在安装anaconda的过程中,有一行是否要添加anaconda到菜单目录中,由于没有勾选,导致没有菜... 目录问题原因问http://www.chinasem.cn题解决安装了 Anaconda 却找不到 An
阅读更多...
Spring定时任务只执行一次的原因分析与解决方案

Spring定时任务只执行一次的原因分析与解决方案

《Spring定时任务只执行一次的原因分析与解决方案》在使用Spring的@Scheduled定时任务时,你是否遇到过任务只执行一次,后续不再触发的情况？这种情况可能由多种原因导致,如未启用调度、线程... 目录1. 问题背景2. Spring定时任务的基本用法3. 为什么定时任务只执行一次？3.1 未启用
阅读更多...
在C#中调用Python代码的两种实现方式

在C#中调用Python代码的两种实现方式

《在C#中调用Python代码的两种实现方式》：本文主要介绍在C#中调用Python代码的两种实现方式,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C#调用python代码的方式1. 使用 Python.NET2. 使用外部进程调用 Python 脚本总结C#调
阅读更多...
Java时间轮调度算法的代码实现

Java时间轮调度算法的代码实现

《Java时间轮调度算法的代码实现》时间轮是一种高效的定时调度算法,主要用于管理延时任务或周期性任务,它通过一个环形数组（时间轮）和指针来实现,将大量定时任务分摊到固定的时间槽中,极大地降低了时间复杂... 目录1、简述2、时间轮的原理3. 时间轮的实现步骤3.1 定义时间槽3.2 定义时间轮3.3 使用时
阅读更多...
Python使用DrissionPage中ChromiumPage进行自动化网页操作

Python使用DrissionPage中ChromiumPage进行自动化网页操作

《Python使用DrissionPage中ChromiumPage进行自动化网页操作》DrissionPage作为一款轻量级且功能强大的浏览器自动化库,为开发者提供了丰富的功能支持,本文将使用Dri... 目录前言一、ChromiumPage基础操作1.初始化Drission 和 ChromiumPage
阅读更多...
利用Go语言开发文件操作工具轻松处理所有文件

利用Go语言开发文件操作工具轻松处理所有文件

《利用Go语言开发文件操作工具轻松处理所有文件》在后端开发中,文件操作是一个非常常见但又容易出错的场景,本文小编要向大家介绍一个强大的Go语言文件操作工具库,它能帮你轻松处理各种文件操作场景... 目录为什么需要这个工具？核心功能详解1. 文件/目录存javascript在性检查2. 批量创建目录3. 文件
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2