learn from鸟哥第7章(1)

本文深入解析文件系统结构,包括从超级区块到inode和数据区块的布局。探讨了ext2文件系统的特点,inode与数据区块的关系,以及区块大小对文件系统性能的影响。

1

包含关系:
文件系统>区块群体>超级区块,inode–>多个数据区块

1.1

/dev/sd[a-p][1-128]物理磁盘文件名
/dev/vd[a-d][1-128]虚拟磁盘文件名

1.2

如今文件系统可以由多个分区组成,也可以一个分区多个文件系统
通常称可被挂载的数据为一个文件系统而不是一个分区
文件系统中的信息布局

项目Value
inode权限和属性 文件的数据所在的区块号码
数据区块(block)实际数据 文件的内容
超级区块(superblock)文件系统整体信息:inode和数据区块总量,使用量,剩余量,文件系统的格式,文件系统的挂载的状况,最后一次写入时间,最后一次检查磁盘时间等相关信息

inode和数据区块的关系:
索引式文件系统 :Linux的ext2 :1个inode记录了多个区块号码,据此顺序读取
FAT:如u盘 缺点:像链表,文件写入的区块过于离散,读取性能差,需要不时碎片整理

1.3 ext2文件系统

每个区块群组都有独立的inode,数据区块,超级区块系统
数据区块大小会限制最大单一文件大小,最大文件系统总容量
文件大小>区块大小?一个文件占多个区块:一个区块剩余空间不能被利用
大的区块浪费,小的影响读写(更多 inode)

inode记录区块定义为12 个直接,1个间接,1个双间接,1个三间接记录区
对付文件过大

一个文件系统本应只有一个超级区块,但每个区块群组都可以有超级区块,即第一个区块群组的超级区块的备份。

区块对应表 DataTable inode对应表Inodetable有点像未存储的内存空间

$ blkid 查看目前系统被格式化的设备
$ sudo dumpe2fs /dev/nvme0n1p6  //查询ext系列超级区块,也就是说可以看
//文件系统整体信息:inode和数据区块总量,使用量,剩余量,文件系统的格式,
文件系统的挂载的状况,最后一次写入时间,最后一次检查磁盘时间等相关信息


在查看中
可以知道这里一个inode 256字节
每个区块大小4096字节(4k)
区块的个数×区块的大小/inode的大小=inode的数量
也就是说这里用了区块去记录inode

本 PPT 介绍了制药厂房中供配电系统的总体概念与设计要点,内容包括: 洁净厂房的特点及其对供配电系统的特殊要求; 供配电设计的一般原则与依据的国家/行业标准; 从上级电网到工厂变电所、终端配电的总体结构与模块化设计思路; 供配电范围:动力配电、照明、通讯、接地、防雷与消防等; 动力配电中电压等级、接地系统形式(如 TN-S)、负荷等级与可靠性、UPS 配置等; 照明的电源方式、光源选择、安装方式、应急与备用照明要求; 通讯系统、监控系统在生产管理与消防中的作用; 接地与等电位连接、防雷等级与防雷措施; 消防设施及其专用供电(消防泵、排烟风机、消防控制室、应急照明等); 常见高压柜、动力柜、照明箱等配电设备案例及部分设计图纸示意; 公司已完成的典型项目案例。 1. 工程背景与总体框架 所属领域:制药厂房工程的公用工程系统,其中本 PPT 聚焦于供配电系统。 放在整个公用工程中的位置:与给排水、纯化水/注射用水、气体与热力、暖通空调、自动化控制等系统并列。 2. Part 01 供配电概述 2.1 洁净厂房的特点 空间密闭,结构复杂、走向曲折; 单相设备、仪器种类多,工艺设备昂贵、精密; 装修材料与工艺材料种类多,对尘埃、静电等更敏感。 这些特点决定了:供配电系统要安全可靠、减少积尘、便于清洁和维护。 2.2 供配电总则 供配电设计应满足: 可靠、经济、适用; 保障人身与财产安全; 便于安装与维护; 采用技术先进的设备与方案。 2.3 设计依据与规范 引用了大量俄语标准(ГОСТ、СНиП、SanPiN 等)以及国家、行业和地方规范,作为设计的法规基础文件,包括: 电气设备、接线、接地、电气安全; 建筑物电气装置、照明标准; 卫生与安全相关规范等。 3. Part 02 供配电总览 从电源系统整体结构进行总览: 上级:地方电网; 工厂变电所(10kV 配电装置、变压
### Python大数据分析基础实践教程第七内容 根据已知的参考资料[^1][^2][^3],虽然未直接提及《Python大数据分析基础实践教程》的具体节划分,但可以推测第七可能涉及更高级的数据分析主题或特定技术的应用场景。以下是基于已有资料和专业知识推断的内容框架: #### 一、第七:数据可视化与交互式图表 该部分主要介绍如何利用Python工具实现复杂数据集的有效可视化。 - **Matplotlib 和 Seaborn 基础** 学习 Matplotlib 库的基础绘图方法以及 Seaborn 提供的高层次接口来创建美观的统计图形[^1]。 - **Pandas 绘图功能** 利用 Pandas DataFrame 自带的 plot 方法快速生成折线图、柱状图等常见图表[^3]。 - **Plotly 和 Bokeh 的交互式图表** 探索 Plotly 和 Bokeh 这两个强大的库用于构建动态、可交互的网页嵌入式图表[^2]。 ```python import matplotlib.pyplot as plt import seaborn as sns sns.set_theme(style="whitegrid") # 使用Seaborn绘制箱形图示例 tips = sns.load_dataset("tips") ax = sns.boxplot(x=tips["total_bill"]) plt.show() ``` --- #### 二、第七:机器学习初步入门 此部分内容通常涵盖简单的监督学习模型及其在实际问题中的应用。 - **Scikit-Learn 简介** Scikit-Learn 是一个广泛使用的机器学习库,支持分类、回归等多种算法[^1]。 - **特征工程的重要性** 讲解如何预处理原始数据以提升模型性能,包括缺失值填充、标准化/归一化等操作[^3]。 - **K近邻(KNN)与决策树实例** 实现 KNN 分类器解决鸢尾花种类识别问题;并通过决策树解释其内部逻辑结构。 ```python from sklearn.neighbors import KNeighborsClassifier from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split data = load_iris() X_train, X_test, y_train, y_test = train_test_split(data.data, data.target) knn = KNeighborsClassifier(n_neighbors=3) knn.fit(X_train, y_train) print(f"Test set score: {knn.score(X_test, y_test):.2f}") ``` --- #### 三、第七:分布式计算简介 (Spark 集成) 随着数据规模增大,传统单机版解决方案逐渐显得力不从心,因此引入 Apache Spark 来应对海量数据挑战成为必要选项之一。 - **PySpark 安装配置指导** - **RDDs vs DataFrames API 对比分析** - **Word Count 示例程序解析** ```python from pyspark.sql import SparkSession spark = SparkSession.builder \ .appName("example") \ .getOrCreate() df = spark.read.json("/path/to/json/file") df.createOrReplaceTempView("table_name") result_df = spark.sql("SELECT * FROM table_name WHERE condition_column='value'") result_df.show() ``` ---
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
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