<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[meeasyhappy的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/meeasyhappy</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; meeasyhappy]]></copyright><item><title><![CDATA[实时storm程序架构图]]></title><link>https://blog.youkuaiyun.com/meeasyhappy/article/details/8730512</link><guid>https://blog.youkuaiyun.com/meeasyhappy/article/details/8730512</guid><author>meeasyhappy</author><pubDate>Thu, 28 Mar 2013 11:24:24 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[统一资源管理与调度平台（系统）介绍]]></title><link>https://blog.youkuaiyun.com/meeasyhappy/article/details/8669688</link><guid>https://blog.youkuaiyun.com/meeasyhappy/article/details/8669688</guid><author>meeasyhappy</author><pubDate>Wed, 13 Mar 2013 18:03:47 +0800</pubDate><description><![CDATA[1. 背景

随着互联网的高速发展，基于数据密集型应用的计算框架不断出现，从支持离线处理的MapReduce，到支持在线处理的Storm，从迭代式计算框架Spark到流式处理框架S4，…，各种框架诞生于不同的公司或者实验室，它们各有所长，各自解决了某一类应用问题。而在大部分互联网公司中，这几种框架可能都会采用，比如对于搜索引擎公司，可能的技术方案如下：网页建索引采用MapReduce框架，自然]]></description><category></category></item><item><title><![CDATA[2013 开始了]]></title><link>https://blog.youkuaiyun.com/meeasyhappy/article/details/8583225</link><guid>https://blog.youkuaiyun.com/meeasyhappy/article/details/8583225</guid><author>meeasyhappy</author><pubDate>Sat, 16 Feb 2013 17:02:57 +0800</pubDate><description><![CDATA[2012 过去了....，不管未来如何， 我们需要风雨兼程。


  慢慢的体会到， 如果自己不努力， 那么吃苦的将是自己和爱的人；那么就让我一个人“吃苦”, 奋斗吧。


  2013 我来了， 加油！！


  2013 学习计划：
   storm 学以致用
   hadoop 深入学习
   机器学习
   数学之美， 及其相关文章
   ngnix
   c]]></description><category></category></item><item><title><![CDATA[MYSQL高效率地装载数据解决方案]]></title><link>https://blog.youkuaiyun.com/meeasyhappy/article/details/8560870</link><guid>https://blog.youkuaiyun.com/meeasyhappy/article/details/8560870</guid><author>meeasyhappy</author><pubDate>Thu, 31 Jan 2013 19:48:56 +0800</pubDate><description><![CDATA[很多时候关心的是优化SELECT 查询，因为它们是最常用的查询，而且确定怎样优化它们并不总是直截了当。相对来说，将数据装入数据库是直截了当的。然而，也存在可用来改善数据装载操作效率的策略，其基本原理如下：
　　成批装载较单行装载更快，因为在装载每个记录后，不需要刷新索引高速缓存；可在成批记录装入后才刷新。
　　在表无索引时装载比索引后装载更快。如果有索引，不仅必须增加记录到数据文件，而且还要修]]></description><category></category></item><item><title><![CDATA[python 进程间通信]]></title><link>https://blog.youkuaiyun.com/meeasyhappy/article/details/8552014</link><guid>https://blog.youkuaiyun.com/meeasyhappy/article/details/8552014</guid><author>meeasyhappy</author><pubDate>Tue, 29 Jan 2013 12:13:50 +0800</pubDate><description><![CDATA[python multiprocessing

multiprocessing

在2.6才开始使用
multiprocessing 是一个使用方法类似threading模块的进程模块。允许程序员做并行开发。并且可以在UNIX和Windows下运行。
通过创建一个Process 类型并且通过调用call()方法spawn一个进程。

一个比较简单的例子：
#!/usr/bin/e]]></description><category></category></item><item><title><![CDATA[hive 全排序 优化]]></title><link>https://blog.youkuaiyun.com/meeasyhappy/article/details/8550167</link><guid>https://blog.youkuaiyun.com/meeasyhappy/article/details/8550167</guid><author>meeasyhappy</author><pubDate>Mon, 28 Jan 2013 20:11:39 +0800</pubDate><description><![CDATA[使用Hive可以高效而又快速地编写复杂的MapReduce查询逻辑。但是某些情况下，因为不熟悉数据特性，或没有遵循Hive的优化约定，Hive计算任务会变得非常低效，甚至无法得到结果。一个”好”的Hive程序仍然需要对Hive运行机制有深入的了解。
有一些大家比较熟悉的优化约定包括：Join中需要将大表写在靠右的位置；尽量使用UDF而不是transfrom……诸如此类。下面讨论5个性能和逻辑相关]]></description><category></category></item><item><title><![CDATA[相似图片搜索的原理]]></title><link>https://blog.youkuaiyun.com/meeasyhappy/article/details/8540879</link><guid>https://blog.youkuaiyun.com/meeasyhappy/article/details/8540879</guid><author>meeasyhappy</author><pubDate>Fri, 25 Jan 2013 10:28:00 +0800</pubDate><description><![CDATA[上个月，Google把 
"相似图片搜索"正式放上了首页。
你可以用一张图片，搜索互联网上所有与它相似的图片。点击搜索框中照相机的图标。
 一个对话框会出现。
 你输入网片的网址，或者直接上传图片，Google就会找出与其相似的图片。下面这张图片是美国女演员Alyson Hannigan。
 上传后，Google返回如下结果：
 类似的"相似图片搜索引擎"还有不少，TinEye甚至可以]]></description><category></category></item><item><title><![CDATA[kd树学习]]></title><link>https://blog.youkuaiyun.com/meeasyhappy/article/details/8539585</link><guid>https://blog.youkuaiyun.com/meeasyhappy/article/details/8539585</guid><author>meeasyhappy</author><pubDate>Thu, 24 Jan 2013 19:57:20 +0800</pubDate><description><![CDATA[1： sfit 算法： http://www.cnblogs.com/saintbird/archive/2008/08/20/1271943.html


2： 用于图像搜索和匹配的SIFT算法介绍 ：  http://www.open-open.com/lib/view/open1325331983780.html


3: 相似图片搜索的原理       http://www.o]]></description><category></category></item><item><title><![CDATA[从K近邻算法、距离度量谈到KD树、SIFT+BBF算法]]></title><link>https://blog.youkuaiyun.com/meeasyhappy/article/details/8539557</link><guid>https://blog.youkuaiyun.com/meeasyhappy/article/details/8539557</guid><author>meeasyhappy</author><pubDate>Thu, 24 Jan 2013 19:39:57 +0800</pubDate><description><![CDATA[从K近邻算法、距离度量谈到KD树、SIFT+BBF算法






前言

    前两日，在微博上说：“到今天为止，我至少亏欠了3篇文章待写：1、KD树；2、神经网络；3、编程艺术第28章。你看到，blog内的文章与你于别处所见的任何都不同。于是，等啊等，等一台电脑，只好等待..”。得益于田，借了我一台电脑（借他电脑的时候，我连表示感谢，他说“能找到工作全靠你的博客，这点儿小忙]]></description><category></category></item><item><title><![CDATA[k-d tree算法]]></title><link>https://blog.youkuaiyun.com/meeasyhappy/article/details/8539550</link><guid>https://blog.youkuaiyun.com/meeasyhappy/article/details/8539550</guid><author>meeasyhappy</author><pubDate>Thu, 24 Jan 2013 19:38:22 +0800</pubDate><description><![CDATA[http://www.cnblogs.com/eyeszjwang/articles/2429382.html


　　　k-d树（k-dimensional树的简称），是一种分割k维数据空间的数据结构。主要应用于多维空间关键数据的搜索（如：范围搜索和最近邻搜索）。

应用背景

　　SIFT算法中做特征点匹配的时候就会利用到k-d树。而特征点匹配实际上就是一个通过距离函数在高维矢量]]></description><category></category></item><item><title><![CDATA[mysql中的load data infile用法]]></title><link>https://blog.youkuaiyun.com/meeasyhappy/article/details/8537035</link><guid>https://blog.youkuaiyun.com/meeasyhappy/article/details/8537035</guid><author>meeasyhappy</author><pubDate>Thu, 24 Jan 2013 10:43:13 +0800</pubDate><description><![CDATA[LOAD DATA [LOW_PRIORITY] [LOCAL] INFILE 'file_name.txt' [REPLACE | IGNORE]
    INTO TABLE tbl_name
    [FIELDS
        [TERMINATED BY '\t']
        [OPTIONALLY] ENCLOSED BY '']
        [ESCAPED B]]></description><category></category></item><item><title><![CDATA[MYSQL数据文件--.frm文件(表结构恢复)]]></title><link>https://blog.youkuaiyun.com/meeasyhappy/article/details/8535086</link><guid>https://blog.youkuaiyun.com/meeasyhappy/article/details/8535086</guid><author>meeasyhappy</author><pubDate>Wed, 23 Jan 2013 17:20:20 +0800</pubDate><description><![CDATA[了解MYSQL的都知道，在MYSQL中建立任何一张数据表，在其数据目录对应的数据库目录下都有对应表的.frm文件,.frm文件是用来保存每个数据表的元数据(meta)信息，包括表结构的定义等，.frm文件跟数据库存储引擎无关，也就是任何存储引擎的数据表都必须有.frm文件，命名方式为数据表名.frm，如user.frm.
 .frm文件可以用来在数据库崩溃时恢复表结构。
 
下面说说如何通过]]></description><category></category></item><item><title><![CDATA[网管工具 dstat]]></title><link>https://blog.youkuaiyun.com/meeasyhappy/article/details/8534887</link><guid>https://blog.youkuaiyun.com/meeasyhappy/article/details/8534887</guid><author>meeasyhappy</author><pubDate>Wed, 23 Jan 2013 16:44:08 +0800</pubDate><description><![CDATA[dstat 是一个用来替换 vmstat, iostat, netstat, nfsstat 和 ifstat 这些命令的工具，是一个全能系统信息统计工具。]]></description><category></category></item><item><title><![CDATA[iostat介绍]]></title><link>https://blog.youkuaiyun.com/meeasyhappy/article/details/8534838</link><guid>https://blog.youkuaiyun.com/meeasyhappy/article/details/8534838</guid><author>meeasyhappy</author><pubDate>Wed, 23 Jan 2013 16:36:41 +0800</pubDate><description><![CDATA[1．磁盘I/O性能监控命令

1)iostat命令

iostat 命令主要通过观察物理磁盘的活动时间以及他们的平均传输速度，监控系统输入 / 输出设备负载。根据 iostat 命令产生的报告，用户可确定一个系统配置是否平衡，并据此在物理磁盘与适配器之间更好地平衡输入 / 输出负载。iostat 工具的主要目的是通过监控磁盘的利用率，而探测到系统中的 I/O 瓶颈。不同操作系统命令格式输出]]></description><category></category></item><item><title><![CDATA[内存映射文件原理探索]]></title><link>https://blog.youkuaiyun.com/meeasyhappy/article/details/8531118</link><guid>https://blog.youkuaiyun.com/meeasyhappy/article/details/8531118</guid><author>meeasyhappy</author><pubDate>Tue, 22 Jan 2013 18:34:04 +0800</pubDate><description><![CDATA[一直都对内存映射文件这个概念很模糊，不知道它和虚拟内存有什么区别，而且映射这个词也很让人迷茫，今天终于搞清楚了。。。下面，我先解释一下我对映射这个词的理解，再区分一下几个容易混淆的概念，之后，什么是内存映射就很明朗了。





 

原理

首先，“映射”这个词，就和数学课上说的“一一映射”是一个意思，就是建立一种一一对应关系，在这里主要是只 硬盘上文件 的位置与进程 逻辑地]]></description><category></category></item><item><title><![CDATA[从Hadoop框架与MapReduce模式中谈海量数据处理（含淘宝技术架构）]]></title><link>https://blog.youkuaiyun.com/meeasyhappy/article/details/8504576</link><guid>https://blog.youkuaiyun.com/meeasyhappy/article/details/8504576</guid><author>meeasyhappy</author><pubDate>Tue, 15 Jan 2013 10:42:54 +0800</pubDate><description><![CDATA[从hadoop框架与MapReduce模式中谈海量数据处理



前言

    几周前，当我最初听到，以致后来初次接触Hadoop与MapReduce这两个东西，我便稍显兴奋，觉得它们很是神秘，而神秘的东西常能勾起我的兴趣，在看过介绍它们的文章或论文之后，觉得Hadoop是一项富有趣味和挑战性的技术，且它还牵扯到了一个我更加感兴趣的话题：海量数据处理。

    由此，最近凡是空]]></description><category></category></item><item><title><![CDATA[从HDFS看分布式文件系统的设计需求]]></title><link>https://blog.youkuaiyun.com/meeasyhappy/article/details/8494683</link><guid>https://blog.youkuaiyun.com/meeasyhappy/article/details/8494683</guid><author>meeasyhappy</author><pubDate>Fri, 11 Jan 2013 18:22:51 +0800</pubDate><description><![CDATA[HDFS采用了主从（Master/Slave）结构模型，一个HDFS集群是由一个NameNode和若干个DataNode组成的。其中NameNode作为主服务器，管理文件系统的命名空间和客户端对文件的访问操作；集群中的DataNode管理存储的数据。HDFS允许用户以文件的形式存储数据。从内部来看，文件被分成若干个数据块，而且这若干个数据块存放在一组DataNode上。NameNode执行文件系统]]></description><category></category></item><item><title><![CDATA[探索推荐引擎内部的秘密，第 1 部分: 推荐引擎初探]]></title><link>https://blog.youkuaiyun.com/meeasyhappy/article/details/8490951</link><guid>https://blog.youkuaiyun.com/meeasyhappy/article/details/8490951</guid><author>meeasyhappy</author><pubDate>Thu, 10 Jan 2013 17:44:24 +0800</pubDate><description><![CDATA[出自： http://www.ibm.com/developerworks/cn/web/1103_zhaoct_recommstudy1/index.html?ca=drs-

简介： 随着 Web 技术的发展，使得内容的创建和分享变得越来越容易。每天都有大量的图片、博客、视频发布到网上。信息的极度爆炸使得人们找到他们需要的信息将变得越来越难。传统的搜索技术是一个相对简单的帮助人们找到信息的]]></description><category></category></item><item><title><![CDATA[线型感知机]]></title><link>https://blog.youkuaiyun.com/meeasyhappy/article/details/8489280</link><guid>https://blog.youkuaiyun.com/meeasyhappy/article/details/8489280</guid><author>meeasyhappy</author><pubDate>Thu, 10 Jan 2013 12:06:44 +0800</pubDate><description><![CDATA[1、判别分类模型

假设输入空间X中的每个特征x取值为实数集，输出空间y = {-1,+1}，那么一个分类器可以表示为二值函数

    

其中输出值为1的样本为正例，输出值为-1的样本为负例。线性感知机的假设前提是样本空间线性可分，既有一个超平面能够将特征空间划分为两个部分

 

2、感知机模型

    

若给定的向量特征向量X带入g(x)  0则样本为正例，]]></description><category></category></item><item><title><![CDATA[python 发邮件到outlook 换行符问题]]></title><link>https://blog.youkuaiyun.com/meeasyhappy/article/details/8268920</link><guid>https://blog.youkuaiyun.com/meeasyhappy/article/details/8268920</guid><author>meeasyhappy</author><pubDate>Fri, 07 Dec 2012 12:34:38 +0800</pubDate><description><![CDATA[换行符‘\n’和回车符‘\r’

顾名思义，换行符就是另起一行，回车符就是回到一行的开头，所以我们平时编写文件的回车符应该确切来说叫做回车换行符  

'\n' 10 换行（newline）
'\r' 13 回车（return）


也可以表示为'\x0a'和'\x0d'.(16进制)

在windows系统下，回车换行符号是"\r\n".但是在Linux等系统下是没有"\r"]]></description><category></category></item></channel></rss>