Centos7 搭建mongodb 4.0.3 复制集

本文详细介绍了在Centos7环境下搭建MongoDB 4.0.3复制集的过程,包括下载、配置、启动服务及初始化复制集等步骤,重点讲解了如何支持事务操作。

       为了能够让MongoDB支持事物,特意在Centos7 环境下搭建了MongoDB复制集。MongoDB在4.0之后开始支持事物。回话级别的事物。

目录

一、 环境说明 1

二、 搭建说明 1

三、 开始搭建 2

四、 配置副本集 2

五、 其他 3

  • 环境说明

系统:centos 7 ×64   

MongoDB:4.0.3

说明:本次搭建伪集群模拟,在真实操作当中可以也如此部署。

Mongodb 在4.0之后可以支持会话级别的事物所以。

  • 搭建说明

本次搭建有三个节点分别如下说明:

节点

端口号

节点身份

Mongodb1

27027

primary

Mongodb2

27028

secondary

Mongodb3

27029

secondary

       副本集(Replica Set)是一组MongoDB实例组成的集群,由一个主(Primary)服务器和多个备份(Secondary)服务器构成。通过Replication,将数据的更新由Primary推送到其他实例上,在一定的延迟之后,每个MongoDB实例维护相同的数据集副本。通过维护冗余的数据库副本,能够实现数据的异地备份,读写分离和自动故障转移。也就是说如果主服务器崩溃了,备份服务器会自动将其中一个成员升级为新的主服务器。使用复制功能时,如果有一台服务器宕机了,仍然可以从副本集的其他服务器上访问数据。如果服务器上的数据损坏或者不可访问,可以从副本集的某个成员中创建一份新的数据副本。早期的MongoDB版本使用master-slave,一主一从和MySQL类似,但slave在此架构中为只读,当主库宕机后,从库不能自动切换为主。目前已经淘汰master-slave模式,改为副本集,这种模式下有一个主(primary),和多个从(secondary),只读。支持给它们设置权重,当主宕掉后,权重最高的从切换为主。在此架构中还可以建立一个仲裁(arbiter)的角色,它只负责裁决,而不存储数据。此架构中读写数据都是在主上,要想实现负载均衡的目的需要手动指定读库的目标server。

  • 开始搭建
  1. 下载

$ wget https://fastdl.mongodb.org/linux/mongodb-linux-x86_64-4.0.3.tgz

  1. 解压到:/opt/mongodb-replicaset 目录下:

$ tar -xvf mongodb-linux-x86_64-4.0.3.tgz

  1. 改名为mongo1

$ sudo mv mongodb-linux-x86_64-4.0.3 mongodb1

  1. 进入到mongodb1下创建文件

cd mongodb1

mkdir data   //数据目录

mkdir logs   //日志目录

mkdir conf  // 配置文件目录

 

  1. 配置文件

$  cd conf

$  touch mongo.conf   //新建配置文件

port=27027

dbpath=/home/lcc/mongodb1/data

logpath=/home/lcc/mongodb1/logs/mongod.log

fork = true 

bind_ip=0.0.0.0

replSet = replset

 

  1. 将mongodb1 复制三分mongodb2,mongodb3

如何所示:

  1. 注意修改暴露端口,已经data log 目录
  2. 启动服务。

cd mongodb1

./bin/mongod -f conf/mongo.conf

依次启动MongoDB2,mongodb3

注意启动的时候有可能需要root权限,假如没有root的权限,需要写入数据的时候会有提示 Permission denied。

  • 配置副本集
  1. 服务器启动之后,进入任意一个节点的命令行,将三个的实例关联起来

(只有一个MongoDB实例的时候可以这样用,当多个实例时可能不正确) 

$ cd mongodb1$ ./bin/mongo

      特别说明:MongoDB 默认启动端口为27017 。启动时候没有指定IP:端口时会默认启动27017端口。当在一台服务器当中可能需要搭建多个MongoDB实例时。使用上述命令就会有问题。解决办法既可以指定IP端口。

可以使用:$ ./bin/mongo ip:port 如  ./bin/mongo 192.168.154.201:27027

如可以使用:$ ./bin/mongo ip:port 如  ./bin/mongo 192.168.154.201:27027    

  1. 进入命令集合后可以配置:
config = {
    _id: "replset",
    members: [{
            _id: 0,
            host: "192.168.101.42:27027"
        },
        {
            _id: 1,
            host: "192.168.101.42:27028"
        },
        {
            _id: 2,
            host: "192.168.101.42:27029"
        }
    ]
}
  1. 初始化复制集合

$ rs.initiate(config)

  1. 查看复制集

rs.config()     // 查看集合

$ rs.isMaster()   // 查看主节点信息

  • 其他

后期发现问题及时更新。。。。

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Dream_bin

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值