大数据学习（0基础）_flink rlike-优快云博客

该博客围绕大数据展开，介绍了大数据的诞生、特征与核心工作，着重讲解了Hadoop的分布式存储、计算和资源调度，包括HDFS架构、操作命令、存储原理等，还阐述了分布式计算、MapReduce和YARN。此外，详细介绍了Hive的基础架构、部署、数据库操作语法等内容。

第一章

数据导论

1、什么是数据？

人类的行为及产生的事件的一种记录称之为数据。

2、数据有什么价值？

· 对数据的内容进行深入分析，可以更好的帮助了解事和物在现实世界的运行规律

· 比如，购物的订单记录（数据）可以帮助平台更好的了解消费者，从而促进交易

大数据的诞生

1、大数据的诞生是跟随着互联网的发展的

· 当全球互联网逐步建成（2000年左右），各大企业或政府单位拥有了海量的数据有待处理

· 基于这个前提逐步诞生了以分布式的形式（即多台服务器集群）完成海量数据处理的处理方式，并逐步发展成现代大数据体系

2、Apache Hadoop对大数据体系的意义

· 第一款获得业界普遍认可的开源分布式解决方案

· 让各类企业都有可用的企业级开源分布式解决方案

· 一定程度上催生出了众多的大数据体系技术栈

· 从Hadoop开始（2008年左右）大数据开始蓬勃发展

大数据概述

1、什么是大数据

· 狭义上：对海量数据进行处理的软件技术体系

· 广义上：数字化、信息化时代的基础支撑，以数据为生活赋能

2、大数据的5个主要特征（5V）

3、大数据的核心工作

· 存储：妥善保存海量待处理数据

· 计算：完成海量数据的价值挖掘

· 传输：协助各个环节的信息传输

大数据软件生态

1、大数据的核心工作

· 存储：妥善保存海量待处理数据

· 计算：完成海量数据的价值挖掘

· 传输：协助各个环节的信息传输

2、大数据软件生态

· 存储：Apache Hadoop HDFS、Apache HBase、Apache Kudu、云平台

· 计算：Apache Hadoop MapReduce、Apache Spack、Apache Flink

· 传输：Apache Kafka、Apache Pulsar、Apache Flume、Apache Sqoop

Hadoop概述

1、什么是Hadoop

Hadoop是开源的技术框架，提供分布式存储、计算、资源调度的解决方案

2、为什么学习Hadoop

· Hadoop诞生早，在企业中广泛应用

· Hadoop概念较为简单，适合大数据分布式入门

3、Hadoop的发展

· 创始人Doug cutting·基于Nutch搜索项目发展

· 发展受到Google三篇著名的论文影响

《The Google file system》：谷歌分布式文件系统GFS

《MapReduce : Simplified Data Processing on Large clusters》：谷歌分布式计算框架MapReduce

《Bigtable: A Distributed Storage System for Structured Data》：谷歌结构化数据存储系统

4、Hadoop的版本

· Apache开源社区版Hadoop(原生版本)

· 商业公司自行封装的商业版

· CDH

· HDP星环

第二章

为什么需要分布式存储

为什么需要分布式存储？

· 数据量太大，单机存储能力有上限，需要靠数量来解决问题

· 数量的提升带来的是网络传输、磁盘读写、CPU、内存等各方面的

综合提升。分布式组合在一起可以达到1+1>2的效果

分布式的基础架构中心

1、分布式系统常见的组织形式？

· 去中心化模式:没有明确中心，大家协调工作

· 中心化模式:有明确的中心，基于中心节点分配工作

2、什么是主从模式?

主从模式(Master-Slaves）就是中心化模式，表示有一个主节点来作为管理者，管理协调下属一批从节点工作

3、Hadoop是哪种模式？

主从模式（中心化模式）的架构

HDFS的基本架构

1、什么是HDFS？

· HDFS全称:Hadoop Distributed File System

· 是Hadoop三大组件（HDFS、MapReduce、YARN）之一

· 可在多台服务器上构建集群，提供分布式数据存储能力

2、HDFS中的架构角色有哪些？

· NameNode：主角色，管理HDFS集群和DataNode角色（领导）

· DataNode：从角色，负责数据的存储（员工）

· SecondaryNameNode：辅助角色，协助NameNode整理元数据（秘书）

3、HDFS的基本架构

HDFS集群启停命令

1、一键启停脚本可用

· $HADOOP_HOME/sbin/start-dfs.sh

· $HADOOP_HOME/sbin/stop-dfs.sh

2、独立进程启停可用

· $HADOOP_HOME/sbin/hadoop-daemon. sh （过时但依旧可用）

用法：hadoop-daemon.sh (start | status | stop) (namenode | secondarynamenode | datanode)

· $HADOOP_HOME/bin/ hdfs --daemon

用法：hdfs --daemon (start | status | stop) (namenode | secondarynamenode | datanode)

HDFS文件系统的命令操作

1、命令操作可以使用（这两种使用效果相同）

· hadoop fs

· hdfs dfs

2、文件系统协议包括

· file://表示Linux本地文件

· hdfs://namenode_server:port/表示HDFS文件系统

比如我配的集群表示为：hdfs://node1:8020/

一般可以省略协议头file://和hdfs://协议头，不用写

3、常用命令（以下我用hdfs dfs进行演示）

· mkdir 创建文件夹

格式：hdfs dfs -mkdir [-p] <path> ...

例：hdfs dfs -mkdir -p /hacker/hadoop

注：-p（可创建副目录）

path不给协议头系统将自动识别。

· ls、cat 列出内容、查看内容

格式：hdfs dfs -ls [-h] [-R] [<path>...]

例：hdfs dfs -ls -h -R /

注：-h（人性化显示文件大小，带单位）

· cp、mv、rm 复制、移动、删除（cp和mv就不演示了,可以类比）

格式：hdfs dfs -rm -r [-skipTrash] <path>

例：hdfs dfs -rm -r /hacker

注：-r（删除的为文件夹）

-skipTrash（跳过回收站，直接删除）

HDFS中回收站功能默认关闭，如果要开启需要在core-site.xml内配置:

<property>
    <name>fs.trash.interval</name>
    <value>1440</value>    # 回收站每个1440分钟清空（即1天）
</property>

<property>
    <name>fs.trash.checkpoint.interval</name>
    <value>120</value>    # 回收站每隔120分钟查看一次（即个2小时）
</property>

无需重启集群，在哪个机器配置的,在哪个机器执行命令就生效。回收站默认位置在：/user/用户名(hadoop)/.Trash

· put、get 上传、下载

格式：hdfs dfs -put [-f] [-p] <本地文件系统(Linux)> <目标文件系统(HDFS)>

hdfs dfs -get [-f] [-p] <文件系统(HDFS)> <本地文件系统(Linux)>

例：hdfs dfs -put /hacher/hadoop /

hdfs dfs -get /hadoop /home

注：-f（覆盖已存在的目录文件）

-p（保留访问和修改时间，所有权和权限）

· appendToFile 向文件追加内容

格式：hdfs dfs -appendToFile <本地文件> <HDFS文件》

例：hdfs dfs -appendToFile append.txt /test.txt

注：HDFS系统中文件修改只支持两种，一种是直接删除，另一种是追加

如需查看其他命令可访问：https://hadoop.apache.org/docs/r3.3.4/hadoop-project-dist/hadoop-common/FileSystemShell.html

4、可以在HDFS WEBUI网页中进行HDFS文件系统的基本操作

HDFS存储原理

· 数据存入HDFS是分布式存储，即每一个服务器节点，负责数据的一部分

· 数据在HDFS上是划分为一个个Block块进行存储

· 在HDFS上，数据Block块可以有多个副本，提高数据安全性

HDFS修改副本数

1、副本和block的配置

· 配置副本数：dfs.replication，默认3

· 配置block大小：dfs.blocksize，单位为b，一般配置为256MB

2、副本和block相关命令

· 上传文件临时修改副本数：hadoop fs -D dfs.replication=2 -put test.txt /tmp/

· 修改已存在文件副本数：hadoop fs -setrep [-R] 2 path

· 检查文件系统：hdfs fsck path [-files [-blocks [-locations]]]

NameNode元数据

1、NameNode基于

· edits记录每次操作

· fsimage，记录某一个时间节点前的当前文件系统全部文件的状态和信息，维护整个文件系统元数据

2、edits文件会被合并到fsimage中，这个合并由：SecondaryNameNode来操作

3、fsimage记录的内容是：

HDFS数据的读写流程

1、数据写入流程

· 客户端向NameNode发起请求

· NameNode审核权限、剩余空间后，满足条件允许写入，并告知客户端写入DataNode地址

· 客户端向指定的DataNode发送数据包

· 被写入数据的DataNode同时完成数据副本的复制工作，将其接收的数据分发给其他DataNode

· 如上图，DataNode1复制给DataNode2，然后基于DataNode2复制给DataNode3和DataNode4

· 写入完成客户端通知NameNode，NameNode做元数据记录工作

2、数据读取流程

· 客户端向NameNode申请读取文件

· NameNode判断客户端权限等细节后，允许读取，并返回此文件的block列表

· 客户端拿到block列表后自行寻找DataNode读取即可

3、对于客户端读取HDFS数据流程中，一定要知道

不论读还是写，NameNode都不经手数据，均是客户端和DataNode直接通讯，不然对NameNode压力太大

4、写入和读取数据的流程，简单来说就是：

· NameNode做授权判断（是否能写，是否能读）

· 客户端直连DataNode进行写入（由DataNode自己完成副本复制）、客户端直连DataNode进行block读取

· 写入，客户端会被分配找离自己最近的DataNode写数据

· 读取，客户端拿到的block列表，会是网络最近的一份

5、网络距离

· 最近的距离就是在同一台机器

· 其次就是在同一个局域网（交换机）

· 再其次就是跨越交换机

· 再其次就是跨越数据中心

HDFS内置网络距离计算算法，可以通过IP地址、路由表来推断网络距离

第三章

分布式计算概述

1、什么是计算、分布式计算

· 计算：对数据进行处理，使用统计分析等手段得到需要的结果

· 分布式计算：多台服务器协同工作，共同完成一个计算任务

2、分布式计算常见的2种工作模式

· 分散 --> 汇总（MapReduce就是这种模式）

1.将数据分片，多台服务器各自负责一部分数据处理

2.然后将各自的结果，进行汇总处理

3.最终得到想要的计算结果

例：生活中的“人口普查”

· 中心调度 --> 步骤执行（大数据Spark、Flink等是这种模式）

1.由一个节点作为中心调度管理者

2.将任务划分为几个具体步骤

3.管理者安排每个机器执行任务

4.最终得到结果数据

例：生活中的各类项目的：项目经理和项目成员就是这种模式，一个管理分配任务，其余人员领取任务工作

中心调度相对于分散-汇总来说多了个数据交换过程

MapReduce概述

1、什么是MapReduce

· MapReduce是Hadoop中的分布式计算组件

· MapReduce可以以分散->汇总（聚合）模式执行分布式计算任务

2、MapReduce的主要编程接口

· map接口，主要提供“分散”功能，由服务器分布式处理数据

· reduce接口，主要提供“汇总”功能，进行数据汇总统计得到结果

· MapReduce可供Java、Python等语言开发计算程序

3、MapReduce的运行机制

· 将要执行的需求，分解为多个Map Task和Reduce Task

· 将Map Task 和 Reduce Task分配到对应的服务器去执行

YARN概述

1、YARN是做什么的?

· YARN是Hadoop的一个组件

· 用以做集群的资源(内存、CPU等)调度

2、为什么需要资源调度

· 将资源统一管控进行分配可以提高资源利用率

3、程序如何在YARN内运行

· 程序向YARN申请所需资源

· YARN为程序分配所需资源供程序使用

4、MapReduce和YARN的关系

· YARN用来调度资源给MapReduce分配和管理运行资源

· 所以，MapReduce需要YARN才能执行（普遍情况）

YARN的核心架构

1、YARN的架构有哪2个角色?

· 主(Master )：ResourceManager

· 从（Slave）： NodeManager

2、两个角色各自的功能是什么?

· ResourceManager：管理、统筹并分配整个集群的资源

· NodeManager︰管理、分配单个服务器的资源，即创建管理容器，由容器提供资源供程序使用

3、什么是YARN的容器?

· 容器（Container）是YARN的NodeManager在所属服务器上分配资源的手段

· 创建一个资源容器，即由NodeManager占用这部分资源

· 然后应用程序运行在NodeManager创建的这个容器内

· 应用程序无法突破容器的资源限制

YARN的辅助架构角色

YARN的架构有哪些角色

· 核心角色：ResourceManager和NodeManager

· 辅助角色：ProxyServer，保障WEB UI访问的安全性

· 辅助角色：JobHistoryServer，记录历史程序运行信息和日志

YARN集群的启停命令

1、一键启停脚本可用

· $HADOOP_HOME/sbin/start-yarn.sh

· $HADOOP_HOME/sbin/stop-yarn.sh

2、独立进程启停可用

· $HADOOP_HOME/bin/yarn --daemon

控制resourcemanager、nodemanager、proxyserver

· $HADOOP_HOME/bin/mapred --daemon（路径为/export/server/hadoop/etc/hadoop)

控制historyserver

提交MapReduce任务到YARN上执行

1、 Hadoop自带的MapReduce示例程序的代码jar包是

$HADOOP_HOME/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.1.jar

2、使用什么命令提交MapReduce程序到YARN中执行？

hadoop jar 命令

语法：hadoop jar 程序文件 java类名 [程序参数] ... [程序参数]

例：hadoop jar $HADOOP_HOME/share/hadoop/mapreduce/hadoop-mapreduce-examples-3.3.1.jar wordcount hdfs://node1:8020/input/ hdfs://node1:8020/output/wc

注：大数据中一般输入的为一个文件夹，输出到的文件必须不存在

3. 如何查看程序运行状态

· 在YARN WEB页面中查看

第四章

Apache Hive概述

1、什么是分布式SQL计算？

以分布式的形式，执行SQL语句，进行数据统计分析。

2、Apache Hive是做什么的？

将SQL语句翻译成MapReduce程序，从而提供用户分布式SQL计算的能力。

· 传统MapReduce开发：写MapReduce代码 --> 得到结果

· 使用Hive开发：写SQL --> 得到结果

· 底层都是MapReduce在运行，但是使用层面上更加简单了

如何模拟实现Hive功能

基于MapReduce构建分布式SQL执行引擎，主要需要有哪些功能组件？

· 元数据管理

· SQL解析器

Hive基础架构

Hive的核心架构包含哪些？

· 元数据管理，称之为Metastore服务

· SQL解析器（Driver驱动程序），完成SQL解析、执行优化、代码提交等功能

· 用户接口：提供用户和Hive交互的功能

Hive的部署

部署Hive的主要流程：

· 部署MySQL数据库，并配置root账户密码

· 下载Hive上传并解压和设置软链接

· 下载MySQL 驱动jar包放入Hive的lib目录内

· 修改配置文件（hive-env.sh和hive-site.xml）

· 初始化元数据库（bin/schematool -initSchema -dbType mysql -verbos）

· 启动hive的metastore服务：

· 前台启动：bin/hive --service metastore

· 后台启动：nohup bin/hive --service metastore >> logs/metastore.log 2>&1 &

· 启动hive命令行：bin/hive

Hive初使用

1、Hive中可以使用类MySQL的SQL语法完成基本的库、表、插入、查询等操作

2、通过YARN控制台可以看到，Hive是将SQL翻译成MapReduce程序运行在YARN中

3、Hive中创建的库和表的数据，存储在HDFS中，默认存放：hdfs://node1:8020/user/hive/warehouse中。

HiveServer2 & Beeline

Hive有哪些客户端可以使用

· 执行：bin/hive，这是Hive提供的Shell环境，可以直接写SQL执行

· 启动HiveServer2，bin/hive --service hiveserver2

后台执行脚本：nohup bin/hive --service hiveserver2 >> logs/hiveserver2.log 2>&1 &

(metastore开启路径为/export/server/hive)

这是Hive的Thrift服务，对外提供接口（默认端口10000）可供其它客户端链接，如：bin/beeline（内置）、DataGrip（第三方）、DBeaver（第三方）

第五章

Hive数据库操作语法

1、创建库的语法为

CREATE DATABASE [IF NOT EXISTS] db_name [LOCATION position];

2、删除库的语法为

DROP DATABASE db_name [CASCADE];

3、数据库和HDFS的关系

· Hive的库在HDFS上就是一个以.db结尾的目录

· 默认存储在：/user/hive/warehouse内

· 可以通过LOCATION关键字在创建的时候指定存储目录

4、基于语法描述说明

· []，表示可选，可写可不写

· |，表示或

· ...，表示序列，即未完结

· ()，表示必填

内部表

1、内部表和外部表的区别

2、Hive的字段分隔符

· 默认是特殊字符：‘\001’

· 可以通过row format delimited fields terminated by在创建表的时候修改

3、删除内部表，表信息以及表数据全部都被删除

外部表

1、创建外部表语法：

· CREATE EXTERNAL TABLE ......

· 必须使用row format delimited fields terminated by指定列分隔符

· 必须使用LOCATION指定数据路径

2、外部表和其数据，是相互独立的，即：

· 可以先有表后有数据

· 也可以先有数据，后有表

· 表和数据只是一个链接关系

· 所以删除表，表不存在了但数据保留

3、内外部表转换

· 查看表类型：desc formatted stu;（查看Table Type属性的值，MANAGED_TABLE为内部表）

· 内转外：stu set tblproperties('EXTERNAL'='TRUE')

· 外转内：stu set tblproperties('EXTERNAL'='FALSE')

数据的导入和导出

1、数据导入

方法1：

从文件向表加载数据

load data [local] inpath 'path' [overwrite] into table tablename;

· 如果数据在hdfs中，那么源文件会消失（本质是mv的移动）

· 如果数据在本地，需要写local，如果是hdfs就不用写

· 这个加载方式不会走MapReduce，小文件加载速度快

方法2：

从表向其它表加载数据

insert [into | overwrite] table tablename select ...;

数据加载两种如何选择：

· 数据在本地：

· 推荐 load data local加载

· 数据在HDFS：

· 如果不保留原始文件：推荐使用LOAD方式直接加载

· 如果保留原始文件：推荐使用外部表先关联数据，然后通过INSERT SELECT 外部表的形式加载数据

· 数据已经在表中：

· 只可以INSERT SELECT

2、数据导出

方法1：

通过insert overwrite语句

insert overwrite [local] directory 'path' select ...;

· 有local表示写入本地

· 无local表示写入hdfs

方法2：

bin/hive -e "sql语句" > result.txt

· -e 直接执行sql语句，将结果通过Linux的重定向符号写入指定文件中

bin/hive -f "sql脚本文件“ > result.txt

· -f 直接执行sql脚本文件，将结果通过Linux的重定向符号写入指定文件中

分区表

1、什么是分区表？

· 可以选择字段作为表分区

· 分区其实就是HDFS上的不同文件夹

· 分区表可以极大的提高特定场景下Hive的操作性能

2、分区表的语法

· create table tablename(...) partitioned by (分区列列类型，...) row format delimited fields terminated by ' ';

· 分区表的分区列，在partitioned by 中定义，不在普通列中定义

分桶表

1、什么是分桶表

· 可以选择字段作为分桶字段

· 分桶表本质上是数据分开在不同的文件中

· 分区和分桶可以同时使用

2、分桶表的语法

· 通过clustered by(...) into 3 buckets

· clustered by指定分桶字段

· into num buckets指定分桶数量

3、为什么需要用insert select的方式插入分桶表数据

· 需要insert select触发MapReduce进行hash取模计算，来基于分桶列的值，确定哪一条数据进入到哪一个桶文件中（不能用load data导入数据，因为load data不会触发MapReduce）

4、什么是Hash取模？

· 基于Hash算法，对值进行计算，同一个值得到同样的结果

· 对结果进行取模（除以桶数量得到余数），确认当前数据应该去哪一个桶文件

· 同样key(分桶列的值）的数据，会在同一个桶中

5、分桶表能带来什么性能提升?

在基于分桶列做操作的前提下

· 单值过滤

· JOIN

· GROUP BY

修改表操作

1、表重命名

alter table old_name rename to new_name;

2、修改表属性值

alter table table_name set tblproperties(property_name=property_value, ...)

如：alter table table_name set tblproperties('EXTERNAL'='TRUE'); 修改内部表属性为外部表

alter table table_name set tblproperties('comment'=new_comment); 修改表注释

3、添加表分区

alter table tablename add partition(year='2003',month='4',day='22');

新分区是没有数据的，需要手动添加或上传数据文件

4、修改分区值

alter table tablename partition(month='1') rename to partition(month='4');

修改元数据记录，HDFS的实体文件夹不会改名，但在元数据记录中是改名了的

5、删除分区

alter table tablename drop partition(year='2003',month='4',day='22');

6、添加列

alter table tablename add columns(v1 int, v2 string);

7、修改列名

alter table tablename change v1 v1new int;

列的属性不要修改，不然会报错

8、删除表

drop table tablename;

9、清空表

truncate table tablename;

无法清空外部表

复杂类型array数组

1、array类型，主要存储：数组格式

保存一堆同类型的元素，如：1，2，3，4，5

2、定义格式

· array<类型>

· 数组元素之间的分隔符：collection items terminated by '分隔符'

3、在查询中使用

· 数组[数字序号]，可以取出指定需要的元素（从0开始）

· size(数组)，可以统计数组元素的个数

· array_contains(数组名, 数据)，可以查看指定数据是否在数组中存在

复杂类型map映射

1、map类型，主要存储：K-V键值对类型数据

保存一堆同类型的键值对，如："a": 1, "b": 2, "c" : 3

2、定义格式：

· map<key类型, value类型>

· 不同键值对之间：COLLECTION ITEMS TERMINATED BY '分隔符' 分隔

· 一个键值对内，使用：MAP KEYS TERMINATED BY '分隔符‘ 分隔K-V

如：father:xiaoming#mother:xiaohuang#brother:xiaogou

不同的KV之间使用#分隔，同一个KV内用:分隔K和V

3、在查询中使用

· map[key]来获取指定key的值

· map_keys(map)取到全部的key作为array返回，map_values(map)取到全部values

· size(map)可以统计K-V对的个数

· array_contains(map_values(map)，数据)可以统计map是否包含指定数据

复杂类型struct结构

1、struct类型，主要存储：复合格式

可以包含多个二级列，二级列支持列名和类型，如

“a" : 1, "b" : "foo", "c" : "2003-04-22"

2、定义格式：

· struct<name:string, age:int>

· struct的分隔符只需要：COLLECTION ITEMS TERMINATED BY ‘分隔符’ 只需要分隔数据即可（数据中不记录key，key是建表定义的固定的）

3、在查询中使用

· struct.key即可取得对应的value

array、map、struct总结

RLIKE正则匹配

1、什么是正则表达式

正则表达式就是一种规则的集合，通过特定的规则字符来匹配字符串是否满足规则的描述

2、RLIKE的作用

可以基于正则表达式，对数据内容进行匹配

UNION联合查询

1、UNION关键字的作用是？

· 将多个SELECT的结果集合并成一个

· 多个SELECT的结果集需要架构一致，否则无法合并

· 自带去重效果，如果无需去重，需要使用UNION ALL

2、UNION用在何处

· 可以用在任何需要SELECT发挥的地方（包括子查询、INSERT SELECT等）

数据抽样

1、为什么需要抽样?

大数据体系下，表内容一般偏大，小操作也要很久

所以如果想要简单看看数据，可以通过抽样快速查看

2、TABLESAMPLE函数的使用

· 桶抽样方式，TABLESAMPLE(BUCKET x OUT OF y ON(colname l rand()))，推荐，完全随机，速度略慢块抽样，使用分桶表可以加速。从y个桶中抽取第x个桶，colname固定不变。

· 块抽样方式，TABLESAMPLE(num Rows | num PERCENT | num(K|N|G))

速度快于桶抽样方式，但不随机，只是按照数据顺序从前向后取。

虚拟列

1、什么是虚拟列，有哪些虚拟列?

虚拟列是Hive内置的可以在查询语句中使用的特殊标记，可以查询数据本身的详细参数。

· INPUT__FILE__NAME，显示数据行所在的具体文件

· BLOCK__OFFSET__INSIDE_FILE，显示数据行所在文件的偏移量

· ROW__OFFSET__INSIDE_BLOCK，显示数据所在HDFS块的偏移量（此虚拟列需要设置:SET hive.exec.rowoffset=true 才可使用）

2、虚拟列的作用

· 查看行级别的数据详细参数

· 可以用于WHERE、GROUP BY等各类统计计算中

· 可以协助进行错误排查工作

函数

Hive的函数分为两大类，内置函数和用户定义函数

· 内置函数

· 数值函数

· 集合函数

· 类型转换函数

· 日期函数

· 条件函数

· 字符串函数

· 数据脱敏函数

· 其它函数

· 用户定义函数