map

HashMap是Hashtable的轻量级实现(非线程安全的实现)，他们都完成了Map接口，主要区别在于HashMap允许空(null)键值(key),由于非线程安全，效率上可能高于Hashtable。HashMap允许将null作为一个entry的key或者value，而Hashtable不允许。HashMap把Hashtable的contains方法去掉了，改成containsvalue和containsKey。因为contains方法容易让人引起误解。Hashtable继承自Dictionary类，而HashMap是Java1.2引进的Map interface的一个实现。最大的不同是，Hashtable的方法是Synchronize的，而HashMap不是，在多个线程访问Hashtable时，不需要自己为它的方法实现同步，而HashMap 就必须为之提供外同步(如果是ArrayList：List lst = Collections.synchronizedList(new ArrayList());如果是HashMap：Map map = Collections.synchronizedMap(new HashMap());)。Hashtable和HashMap采用的hash/rehash算法都大概一样，所以性能不会有很大的差异。

从结构实现来讲，HashMap是:数组+链表+红黑树（JDK1.8增加了红黑树部分）实现的，如下如所示。

【答案】：Java中的HashMap是以键值对(key-value)的形式存储元素的。HashMap需要一个hash函数，它使用hashCode()和equals()方法来向集合/从集合添加和检索元素。当调用put()方法的时候，HashMap会计算key的hash值，然后把键值对存储在集合中合适的索引上。如果key已经存在了，value会被更新成新值。HashMap的一些重要的特性是它的容量(capacity)，负载因子(load factor)和扩容极限(threshold resizing)。

在Windows下运行应用程序时出现非法操作的提示此类故障引起原因较多，在如下几钟可能:（1） 系统文件被更改或损坏，倘若由此引发则打开一些系统自带的程序时就会出现非法操作，（例如，打开控制面板）（2） 驱动程序未正确安装，此类故障一般表现在显卡驱动程序之止，倘若由此引发，则打开一些游戏程序时就会产生非法操作，有时打开一此网页也会出现这种程况。（3） 内存质量不好，降低内存速度也可能会解决这个问题。（4） 软件不兼容，如，IE 5。5在Windows 98 SE 上，当打开多个网页也会产生非法操作。

很大吧，现在的NOSQL不就是这种原理吗，专门用来处理大数据的。

用hashmap>作为数据结构，然后，添加删除什么的就在hashmap里面的hashset加一个A比如说

比较经典的问题是： 在只能够使用2G的内存中，如何完成以下操作： ①：对10亿个不重复的整数进行排序。 ②：找出10亿个数字中重复的数字。 无论是排序还是找重复的数字都需要将这10亿个数字加入到内存中在去进行操作，很明显，题目给出的2G内存限制说明了在这样的场景下是不能够将所有数都加入到内存中的 1000000000* 4/（1024* 1024* 1024） = 3.725G 那么这时候就需要用到 BitMap结构了 bitMap使用一个bit为0/1作为map的value来标记一个数字是否存在,而map的key值正是这个数字本身。 相比于一般的数据结构需要用4个byte去存储数值本身，相当于是节省了 4*8：1 = 32倍的内存空间 bitMap不一定要用bit数组,可以使用 int,long等等的基本数据类型实现，因为其实质都是在bit位上存数据，用哪种类型只是决定了最终实现出来的BitMap的内置数组中单个元素存放数据的多少 u2003u2003u2003u2003例如：java中的BitSet使用Long数组 BitMap的实现当然少不了位运算，先来明确几个常见位运算，这是实现BitMap的基础： set(bitIndex): 添加操作 u2003u2003u2003u20031 .确定该数处于数组中的哪个元素的位上 u2003u2003u2003u2003 int wordIndex = bitIndex >> 5; 因为我用的是int[]实现，所以这里右移 5 位（2^5 = 32） u2003u2003u2003u20032 .确定相对于该元素中的位置偏移 u2003u2003u2003u2003 int bitPosition = bitIndex & ((1 << 5) - 1); 这里相当于是 bitIndex % （1<<5）的取模运算，因为当取模运算的除数是2的次幂，所以可以使用以下的位运算来计算，提升效率（对比HashMap的容量为什么总是2的幂次方的问题，HashMap求下标时也是使用 hash&(n-1)） tips: 位运算的优先级是低于+,-等等的，所以要加上括号,防止发生不可描述的错误 u2003u2003u2003u20033 .将该位置1 u2003u2003u2003u2003 bits[wordIndex] |= 1 << bitPosition; 相当于是将指定位置处的bit值置1，其他位置保持不变，也就是将以这个bitIndex为key的位置为1 tips: 这里是参考了网上的各位大佬的文章,取余 + 按位或，又对比了下BitSet的源码： u2003u2003u2003u2003 words[wordIndex] |= (1L << bitIndex); 没有取余操作，直接|，这两个一样吗？答案当然是一样的 举个栗子： u2003u2003u2003u2003 1 << 148 == 1<< 20 u2003u2003u2003u2003 u2003u2003u2003u2003 1L << 125 ==1L<< 61 即对于int和long型数据，直接左移其位数相当于是附带了对其的取模操作 总结 ：使用Bit-map的思想，我们可以将存储空间进行压缩，而且可以对数字进行快速排序、去重和查询的操作。 Bloom Fliter是Bit-map思想的一种扩展，它可以在允许低错误率的场景下，大大地进行空间压缩，是一种拿错误率换取空间的数据结构 当一个元素加入布隆过滤器中的时候，会进行哪些操作： 当我们需要判断一个元素是否存在于布隆过滤器的时候，会进行哪些操作： 然后，一定会出现这样一种情况： 不同的字符串可能哈希出来的位置相同 （可以适当增加位数组大小或者调整我们的哈希函数来降低概率）,因此： 布隆过滤器可能会存在误判的情况 总结来说就是： 布隆过滤器说某个元素存在，小概率会误判。布隆过滤器说某个元素不在，那么这个元素一定不在 。 Bloom Filter的应用: 常用于解决缓存穿透等场景。

这个是基础题呀，主要看你对常用的东西是否真的了解如果只是会用，而不了解原理，他们就认为你没有专研的精神也就是说潜力不大

上一篇文章 HashMap的底层原理探索 我们分析了JDK1.7中Hashmap的源码实现，但是在JDK1.8的时候HashMap的实现做了很大的变动和优化。1.7和1.7之前HashMap都是“数组+链表”实现的，1.8之后就是“数组+（链表或红黑树）”来实现的了。这里我特地将“链表或红黑树”用一对括号括在一起，因为HashMap底层依旧是一个数组，然后数组中的元素是链表或者红黑树来实现的。 HashMap的实现就先介绍到这，下面就先讲一下红黑树，然后才能理解为什么要用红黑树来优化HashMap，用红黑树有什么好处。 在介绍红黑树之前我们要先理解二叉查找树的数据结构。下面简单介绍一下。 上面这张图就是一个二叉查找树。二叉查找树有如下几条特性 （1）.左子树上所有结点的值均小于或等于它的根结点的值。 （2）.右子树上所有结点的值均大于或等于它的根结点的值。 （3）.左、右子树也分别为二叉排序树 那既然他名字中是有“查找”的，那么他是怎么查找的呢？比如我们要查找10这个元素，查找过程为：首先找到根节点，然后根据二叉查找树的第一二条特性，我们知道要查找的10>9所以是在根节点的右边去查找，找到13，10<13,所以接着在13的左边找，找到11,10<11,继续在11的左边查找，这样就找到了10.这其实就是二分查找的思想。最后我们要查出结果所需的最大次数就是二叉树的高度！（二分查找的思想:找到数组的中间位置的元素v，将数组分成>v和<v两部分，然后将v和要查找的数据进行一个比较，如果大于v那么就在>v的部分再次进行二分查找，否则就在<v的部分进行二分查找，直到找到对应的元素。） 那既然要查出结果所需的最大次数就是二叉树的高度，那这个高度会不会有时候很长呢？ 比如我们依次插入 根节点为9如下五个节点：7,6,5,4,3。依照二叉查找树的特性，结果会变成什么样呢？7,6,5,4,3一个比一个小，那么就会成一条直线，也就是成为了线性的查询，时间复杂度变成了O（N）级别。为了解决这种情况，该红黑树出场了。 红黑树其实就是一种 自平衡 的二叉查找树。他这个自平衡的特性就是对HashMap中链表可能会很长做出的优化。 红黑树是每个节点都带有颜色属性的二叉查找树，颜色或红色或黑色。在二叉查找树强制一般要求以外，对于任何有效的红黑树我们增加了如下的额外要求: 性质1. 节点是红色或黑色。 性质2. 根节点是黑色。 性质3 每个叶节点（NIL节点，空节点）是黑色的。 性质4 每个红色节点的两个子节点都是黑色。(从每个叶子到根的所有路径上不能有两个连续的红色节点) 性质5. 从任一节点到其每个叶子的所有路径都包含相同数目的黑色节点。 下面这棵树就是一个典型的红黑树 红黑树那么多规则，那么在插入和删除元素会不会破坏红黑树的规则呢？什么情况下会破坏？什么情况下不会？ 比如我们向原红黑树插入为14的新节点就不会破坏规则 向原红黑树插入值为21的新节点就破坏了规则 那么红黑树是怎么维护这个二叉查找树的自平衡性的呢？ 红黑树通过 “变色”和“旋转” 来维护红黑树的规则，变色就是让黑的变成红的，红的变成黑的，旋转又分为“左旋转”和“右旋转”。这个比较复杂，容易晕，我们就只要知道红黑树就是通过这种方式来实现它的自平衡性就行了。 JDK1.7的时候是使用一个Entry数组来存储数据，用key的hashcode取模来决定key会被放到数组里的位置，如果hashcode相同，或者hashcode取模后的结果相同（hash collision），那么这些key会被定位到Entry数组的同一个格子里，这些key会形成一个链表。在hashcode特别差的情况下，比方说所有key的hashcode都相同，这个链表可能会很长，那么put/get操作都可能需要遍历这个链表。也就是说时间复杂度在最差情况下会退化到O(n) 红黑树我们大致了解了，他的好处就是他的自平衡性，让他这棵树的最大高度为2log(n+1)，n是树的节点数。那么红黑树的复杂度就只有 O(log n)。 下面我们通过追踪JDK1.8 HashMap的put方法的源码来理解 put方法调用了putVal方法 通过putVal方法可以看到这里的数组和1.7不同，是使用了一个Node数组来存储数据。那这个Node和1.7里面的Entry的区别是什么呢？ HashMap中的红黑树节点 采用的是TreeNode 类 TreeNode和Entry都是Node的子类，也就说Node可能是链表结构，也可能是红黑树结构。 如果插入的key的hashcode相同，那么这些key也会被定位到Node数组的同一个格子里。如果同一个格子里的key不超过8个，使用链表结构存储。如果超过了8个，那么会调用treeifyBin函数，将链表转换为红黑树。 先分析到这。。。。。

Hashtable的实现方法里面都添加了synchronized关键字来确保线程同步，因此相对而言HashMap性能会高一些，我们平时使用时若无特殊需求建议使用HashMap，在多线程环境下若使用HashMap需要使用Collections.synchronizedMap()方法来获取一个线程安全的集合（Collections.synchronizedMap()实现原理是Collections定义了一个SynchronizedMap的内部类，这个类实现了Map接口，在调用方法时使用synchronized来保证线程同步,当然了实际上操作的还是我们传入的HashMap实例，简单的说就是Collections.synchronizedMap()方法帮我们在操作HashMap时自动添加了synchronized来实现线程同步，类似的其它Collections.synchronizedXX方法也是类似原理）

上面的仁兄讲的挺清楚的，回楼主的追问，hash值是不会一样的

HashMap在实际开发中用到的频率非常高，面试中也是热点。所以决定写一篇文章进行分析，希望对想看源码的人起到一些帮助，看之前需要对链表比较熟悉。 以下都是我自己的理解，欢迎讨论，写的不好轻喷。 HashMap中的数据结构为散列表，又名哈希表。在这里我会对散列表进行一个简单的介绍，在此之前我们需要先回顾一下 数组 、 链表 的优缺点。 数组和链表的优缺点取决于他们各自在内存中存储的模式，也就是直接使用 顺序存储 或 链式存储 导致的。无论是数组还是链表，都有明显的缺点。而在实际业务中，我们想要的往往是寻址、删除、插入性能都很好的数据结构，散列表就是这样一种结构，它巧妙的结合了数组与链表的优点，并将其缺点弱化（并不是完全消除） 散列表的做法是将key映射到数组的某个下标，存取的时候通过key获取到下标（index）然后通过下标直接存取。速度极快，而将key映射到下标需要使用 散列函数 ，又名 哈希函数 。说到哈希函数可能有人已经想到了，如何将key映射到数组的下标。 图中计算下标使用到了以下两个函数： 值得注意的是，下标并不是通过hash函数直接得到的，计算下标还要对hash值做index()处理。 Ps：在散列表中，数组的格子叫做 桶 ，下标叫做 桶号 ，桶可以包含一个key-value对，为了方便理解，后文不会使用这两个名词。 以下是哈希碰撞相关的说明： 以下是下标冲突相关的说明： 很多人认为哈希值的碰撞和下标冲突是同一个东西，其实不是的，它们的正确关系是这样的， hashCode发生碰撞，则下标一定冲突；而下标冲突，hashCode并不一定碰撞 上文提到，在jdk1.8以前HashMap的实现是 散列表 = 数组 + 链表 ，但是到目前为止我们还没有看到链表起到的作用。事实上，HashMap引入链表的用意就是解决下标冲突。 下图是引入链表后的散列表： 如上图所示，左边的竖条，是一个大小为16的数组，其中存储的是链表的头结点，我们知道，拥有链表的头结点即可访问整个链表，所以认为这个数组中的每个下标都存储着一个链表。其具体做法是，如果发现下标冲突，则 后插入的节点以链表的形式追加到前一个节点的后面 。 这种使用链表解决冲突的方法叫做： 拉链法 （又叫链地址法）。HashMap使用的就是拉链法，拉链法是冲突发生以后的解决方案。 Q：有了拉链法，就不用担心发生冲突吗？ A：并不是！由于冲突的节点会不停的在链表上追加，大量的冲突会导致单个链表过长，使查询性能降低。所以一个好的散列表的实现应该从源头上减少冲突发生的可能性，冲突发生的概率和哈希函数返回值的均匀程度有直接关系，得到的哈希值越均匀，冲突发生的可能性越小。为了使哈希值更均匀，HashMap内部单独实现了hash()方法。 以上是散列表的存储结构，但是在被运用到HashMap中时还有其他需要注意的地方，这里会详细说明。 现在我们清楚了散列表的存储结构，细心的人应该已经发现了一个问题：Java中数组的长度是固定的， 无论哈希函数是否均匀，随着插入到散列表中数据的增多，在数组长度不变的情况下，链表的长度会不断增加 。这会导致链表查询性能不佳的缺点出现在散列表上，从而使散列表失去原本的意义。为了解决这个问题，HashMap引入了扩容与负载因子。 以下是和扩容相关的一些概念和解释： Ps： 扩容要重新计算下标 ， 扩容要重新计算下标 ， 扩容要重新计算下标 ，因为下标的计算和数组长度有关，长度改变，下标也应当重新计算。 在1.8及其以上的jdk版本中，HashMap又引入了红黑树。 红黑树的引入被用于替换链表，上文说到，如果冲突过多，会导致链表过长，降低查询性能，均匀的hash函数能有效的缓解冲突过多，但是并不能完全避免。所以HashMap加入了另一种解决方案，在往链表后追加节点时，如果发现链表长度达到8，就会将链表转为红黑树，以此提升查询的性能。

回顾一下基本概念： 一. put方法 HashMap使用哈希算法得到数组中保存的位置，然后调用put方法将key-value对保存到table变量中。我们通过图来演示一下存储的过程。 简单解释一下： 我们关注一下这里面最重要的三个方法，hash()，putVal()，resize(). 1. hash方法 我们通过hash方法计算索引，得到数组中保存的位置，看一下源码 我们可以看到HashMap中的hash算法是通过key的hashcode值与其hashcode右移16位后得到的值进行异或运算得到的，那么为什么不直接使用key.hashCode()，而要进行异或操作？我们知道hash的目的是为了得到进行索引，而hash是有可能冲突的，也就是不同的key得到了同样的hash值，这样就很容易产业碰撞，如何减少这种情况的发生呢，就通过上述的hash(Object key)算法将hashcode 与 hashcode的低16位做异或运算，混合了高位和低位得出的最终hash值，冲突的概率就小多了。举个例子： 我们的hash(Object key)算法一个道理，最终的hash值混合了高位和低位的信息，掺杂的元素多了，那么最终hash值的随机性越大，而HashMap的table下标依赖于最终hash值与table.length()-1的&运算，这里的&运算类似于挑包子的过程，自然冲突就小得多了。计算过程如下： 2. putVal方法 通过putVal方法将传递的key-value对添加到数组table中。 3. resize方法 HashMap通过resize()方法进行扩容，容量规则为2的幂次 二. get方法 我们先简单说一下get(Object key)流程，通过传入的key通过hash()算法得到hash值，在通过(n - 1) & hash找到数组下标，如果数组下标所对应的node值正好key一样就返回，否则找到node.next找到下一个节点，看是否是treenNode，如果是，遍历红黑树找到对应node，如果不是遍历链表找到node。我们看一下源码 这几个方法是核心，虽然HashMap还有很多常用方法，不过大体和这几个方法有关，或者实现逻辑相似，这里就不再多说了。 三. 总结 本文在上一章基本概念和底层结构的基础上，从源码的角度讲解了扩容机制以及存取原理，主要分析了put方法和get方法，put方法的核心为hash()，putVal()，resize()，get方法的核心为getNode()。

Java中的HashMap是以键值对(key-value)的形式存储元素的。HashMap需要一个hash函数，它使用hashCode()和equals()方法来向集合/从集合添加和检索元素。当调用put()方法的时候，HashMap会计算key的hash值，然后把键值对存储在集合中合适的索引上。如果key已经存在了，value会被更新成新值。HashMap的一些重要的特性是它的容量(capacity)，负载因子(loadfactor)和扩容极限(thresholdresizing)。

1、ConcurrentHashMap底层数据结构是一个数组table 2、table数组上挂着单向链表或红黑树 3、new ConcurrentHashMap();如果没有指定长度的话，默认是16，并且数组长度必须是2的n次幂，若自定义初始化的长度不是2的n次幂，那么在初始化数组时，会吧数组长度设置为大于自定义长度的最近的2的n次幂。（如：自定义长度为7，那么实际初始化数组后的长度为8） 4、底层是使用synchronized作为同步锁，并且锁的粒度是数组的具体索引位（有些人称之为分段锁）。 5、Node节点，hash>0，当hash冲突时，会形成一个单向链表挂在数组上。 6、ForwardindNode，继承至Node，其hash=-1，表示当前索引位的数据已经被迁移到新数组上了 7、ReservationNode，继承至Node，其hash=-3，表示当前索引位被占用了（compute方法） 8、TreenBin，继承至Node，其hash=-2，代表当前索引下挂着一颗红黑树 9、lockState为ConcurrentHashMap底层自己实现的基于cas的读写锁，锁粒度是具体的某颗树。当向红黑树进行增，删操作时，首先会先上sync同步锁，然后自平衡的时候会上lockState写锁，当读红黑树的时候，会上lockState读锁，然后判断此时是否有线程正持有写锁，或是否有线程正在等待获取写锁，若有，则读线程会直接去读双向链表，而不是去读红黑树。 10、TreeNode，hash>0，为红黑树具体节点。TreeBin的root代表红黑树的根节点，first代表双向链表的第一个节点 11、双向链表：构建红黑树时还维护了一个双向链表，其目的为：(1)当并发写读同一颗红黑树的时候，读线程判断到有线程正持有写锁，那么会跑去读取双向链表，避免因为并发写读导致读线程等待或阻塞。(2)当扩容的时候，会去遍历双向链表，重新计算节点hash，根据新的hash判断放在新数组的高位还是地位 1、触发扩容的规则： 1）添加完元素后，若判断到当前容器元素个数达到了扩容的阈值（数组长度*0.75），则会触发扩容 2）添加完元素后，所在的单向链表长度>=8，则会转为红黑树，不过在转红黑树之前会判断数组长度是否小于64，若小于64则会触发扩容 2、table为扩容前的数组，nextTable为扩容中创建的新数组，迁移数据完毕后需要将nextTable赋值给table 3、扩容后的数组是元素组长度的2倍 4、ln，hn分别表示高位和低位的链表（高链，低链）。即，扩容时，会用n&h==0来判断元素应该放在新数组的i位置还是i+n位置。n：元素组长度；h：元素hash值；i：元素所在的原数组索引位；。这样就会出现有些元素会被挂在低位，有些元素会被挂在高位，从而达到打散元素的目的。 5、红黑树扩容时，会遍历双向链表，并且计算n&h==0来判断元素放在低位（lo）还是高位（ho），确定完元素的去处之后，会判断分别判断两个双向链表（lo,ho）的长度是否大于6，若大于6则将还是以一颗红黑树的结构挂在数组上，若<=6的话，则转为单向链表，挂在数组上

我们常见的有集合数据有三种结构：1、数组结构 2、链表结构 3、哈希表结构 下面我们来看看各自的数据结构的特点： 而我们常见的HashMap就是这样的一种数据结构 （1）、首先将k,v封装到Node对象当中（节点）。 （2）、然后它的底层会调用K的hashCode()方法得出hash值。 （3）、通过哈希表函数/哈希算法，将hash值转换成数组的下标，下标位置上如果没有任何元素，就把Node添加到这个位置上。如果说下标对应的位置上有链表。此时，就会拿着k和链表上每个节点的k进行equal。如果所有的equals方法返回都是false，那么这个新的节点将被添加到链表的末尾。如其中有一个equals返回了true，那么这个节点的value将会被覆盖。 (1)、先调用k的hashCode()方法得出哈希值，并通过哈希算法转换成数组的下标。 (2)、通过上一步哈希算法转换成数组的下标之后，在通过数组下标快速定位到某个位置上。重点理解如果这个位置上什么都没有，则返回null。如果这个位置上有单向链表，那么它就会拿着参数K和单向链表上的每一个节点的K进行equals，如果所有equals方法都返回false，则get方法返回null。如果其中一个节点的K和参数K进行equals返回true，那么此时该节点的value就是我们要找的value了，get方法最终返回这个要找的value。 原因 : 增删是在链表上完成的，而查询只需扫描部分，则效率高。 HashMap集合的key，会先后调用两个方法，hashCode and equals方法，这这两个方法都需要重写。 因为equals方法默认比较的是两个对象的内存地址 https://blog.csdn.net/qq_37840993/article/details/108048597

hashmap底层实现原理是SortedMap接口能够把它保存的记录根据键排序，默认是按键值的升序排序，也可以指定排序的比较器，当用Iterator遍历TreeMap时，得到的记录是排过序的。如果使用排序的映射，建议使用TreeMap。在使用TreeMap时，key必须实现Comparable接口或者在构造TreeMap传入自定义的Comparator，否则会在运行时抛出java.lang.ClassCastException类型的异常。Hashtable是遗留类，很多映射的常用功能与HashMap类似，不同的是它承自Dictionary类，并且是线程安全的，任一时间只有一个线程能写Hashtable从结构实现来讲，HashMap是：数组+链表+红黑树（JDK1.8增加了红黑树部分）实现的。扩展资料从源码可知，HashMap类中有一个非常重要的字段，就是 Node[] table，即哈希桶数组。Node是HashMap的一个内部类，实现了Map.Entry接口，本质是就是一个映射(键值对)，除了K，V，还包含hash和next。HashMap就是使用哈希表来存储的。哈希表为解决冲突，采用链地址法来解决问题，链地址法，简单来说，就是数组加链表的结合。在每个数组元素上都一个链表结构，当数据被Hash后，得到数组下标，把数据放在对应下标元素的链表上。如果哈希桶数组很大，即使较差的Hash算法也会比较分散，如果哈希桶数组数组很小，即使好的Hash算法也会出现较多碰撞，所以就需要在空间成本和时间成本之间权衡，其实就是在根据实际情况确定哈希桶数组的大小，并在此基础上设计好的hash算法减少Hash碰撞。

现象1：如果使用原生mybatis进行数据操作，那么必须按照以下方式使用：SqlSession sqlSession = null;try { sqlSession = sqlSessionFactory.openSession(); //namespace+id sqlSession.insert("cn.jarjar.dao.BlogMapper.insertBlog", blog); sqlSession.commit(true)} catch (Exception e) { e.printStackTrace(); sqlSession.rollback(true);} finally { sqlSession.close();}也就是要像原始的java.sql.Connection对象一样，必须按照：新建连接->执行SQL->提交（查询不需要）->如果操作数据存在异常需要回滚->释放数据库连接。注意第一点和最后一点，每个SqlSession新建之后必须释放，不然会造成数据库连接泄露的危险。也就是意味着SqlSession是个有状态的对象，是无法进行复用的，所以只能局限于request或者方法的范围，也就是所谓的线程不安全。现象2：如果使用spring集成mybatis，官方提供了整和包mybatis-spring.jar，如果完成配置之后，使用方式及其简单，简单示例如下：//注入spring中配置的SqlSessionTemplate对象，单例@Resource(name="sqlSessionTemplate")public SqlSessionTemplate sqlSessionTemplate;public void saveTestTrans(){ this.sqlSessionTemplate.selectList("testdomain.selectAnySql", "select * from my_blog where id="1"");}这里的SqlSessionTemplate不仅是单例的，而且不需要手工新建和关闭SqlSession问题1：那么问题来了，为什么mybatis-spring.jar中的SqlSessionTemplate可以被多个dao复用，而且不会造成数据连接泄露呢，并且还可以自动新建和释放数据库连接看官方解答是因为SqlSessionTemplate是线程安全的，也就是确保每个线程使用的sqlSession的唯一并不互相冲突。首先看了一下mybatis-spring的源码，发现SqlSessionTemplate是通过代理拦截和SqlSessionHolder实现的sqlsession线程安全和自动新建和释放连接的。看构造函数函数中构建代理类，该代理类实现SqlSession接口，定义了方法拦截器，如果调用代理类实例中实现SqlSession接口定义的方法，该调用则被导向SqlSessionInterceptor的invoke方法，这个方法中自动进行了SqlSession的自动请求和释放（如果不被spring托管则自己新建和释放sqlsession，如果被spring管理则使用SqlSessionHolder进行request和relase操作）以下网址针对SqlSessionTemplate的线程安全特性进行了详细的探究：问题2：然后又想到这样一个问题，虽然现在几乎所有项目都使用spring作为java程序的基本框架，如果我不使用spring管理mybatis，仅仅使用原始的mybatis，怎么样才能构建一个和SqlSessionTemplate相似的对象呢看首先想到必须使用java的treadLocal构建一个sqlsession的对象，如ThreadLocal sqlSession = new ThreadLocal()。经过查找，发现mybatis自身就有这样一个类实现了类似的功能，类路径：org.apache.ibatis.session.SqlSessionManager，但是没有注释，可能存在mybatis-spring这种神器之后，mybatis放弃了对这个类的维护。该类实现了SqlSessionFactory, SqlSession并且在其中定义了一个treadLocal的sqlssion对象，同时使用了代理拦截进行了sqlsession的自动管理，具体代码可以自己查阅，对于理解mybatis原理和java的代理机制很有帮助。那么写个简单的程序验证一下SqlSessionManager是否真的可以保证线程安全和自动新建和释放sqlssion：TestSqlManager.javaprivate static SqlSession sqlSession;public static SqlSession getSqlSessionTest(){ if(sqlSession == null){ //构建使用的SqlSessionFactory SqlSessionFactory sqlSessionFactory = MyBatisUtil.getSqlSessionFactory(); sqlSession = SqlSessionManager.newInstance(sqlSessionFactory); } return sqlSession;}public static void main(String[] args) throws InterruptedException { Run run = new Run(); List threads = new ArrayList (); for (int i = 0; i < 100; i++) { Thread t = new Thread(run); threads.add(t); System.out.println("thread:{"+t.getName()+"}, start"); t.start(); } for (Thread t : threads) { System.out.println("thread:{"+t.getName()+"},join"); t.join(); }}我本机装的mysql，通过监控语句：select SUBSTRING_INDEX(host,":",1) as ip , count(*) from information_schema.processlist group by ip;发现执行过程中存在连接并发的情况，但是执行之后全部释放掉了。

具体方法一般要检查配置文件命名空间，还有applicationContext.xml里的配置<bean id ="sqlSessionFactory" class="org.mybatis.spring.SqlSessionFactoryBean"p:dataSource-ref="dataSource" p:configLocation="classpath:mybatis-config.xml"><property name="mapperLocations"><list><value>classpath*:com/xxx/**/*Mapper.xml</value></list></property></bean>

KeyWords: Mybatis 原理，源码，Mybatis Mapper 接口实现类，代理模式，动态代理，Java动态代理，Proxy.newProxyInstance，Mapper 映射，Mapper 实现 MyBatis 是一款优秀的持久层框架，它支持定制化 SQL、存储过程以及高级映射。MyBatis 避免了几乎所有的 JDBC 代码和手动设置参数以及获取结果集。我们在使用 Mybaits 进行 ，通常只需要定义几个 Mapper 接口，然后在编写一个 xml 文件，我们在配置文件中写好 sql , Mybatis 帮我们完成 Mapper 接口道具体实现的调用。以及将结果映射到 model bean 中。 我们在项目中所编写的众多的 Mapper 类只是一个接口(interface )，根据 Java 的多态性我们知道，可以使用接口接口作为形参，进而在运行时确定具体实现的对象是什么。但是，对于 Mapper 接口，我们并没有编写其实现类！Mybatis是如何找到其实现类，进而完成具体的 CRUD 方法调用的呢？原理何在？ 为了弄清楚 Mapper 接口是如何找到实现类的，我们先回忆一下 Mybatis 是怎么使用的，根据实际的例子，进而一点点的去分析。这里的使用指的是Mybatis 单独使用，而不是整合 spring , 因为整合 spring 的话，还需要涉及 Mapper dao 装载到 spring 容器的问题，spring 帮忙创建数据源配置等问题。 通常我们使用 Mybatis 的主要步骤是： 从一段代码看起 上面我们概括了使用 Mybatis 的4个步骤。这4个步骤看起来很简单，但是用代码写出来就很多。我们不妨先记着这4个步骤，再去看代码，会容易点。 在这块代码中，第 1 部分我们使用了 Java 编码的形式来实现 SqlSessionFactory ，也可以使用 xml 。如果使用xml的话，上面的第一部分代码就是这样的： 我们本次的目标是弄清楚 “ Mapper 是如何找到实现类的 ”，我们注意上面代码 3 , 4 的位置： 这里 mapper 可以调用selectBlog(1) 这个方法，说明 mapper 是个对象，因为对象才具有方法行为实现啊。BlogMapper接口是不能实例化的，更没有具体方法实现。我们并没有定义一个类，让它实现BlogMapper接口，而在这里它只是通过调用session.getMapper() 所得到的。由此，我们可以推断：肯定是session.getMapper() 方法内部产生了BlogMapper的实现类。有什么技术可以根据BlogMapper 接口生成了一个实现类呢？想到这里，对于有动态代理 使用经验的程序员来说，很容易想到，这背后肯定是基于动态代理技术，具体怎么实现的呢？下面我们来根据源码一探究竟。 Mapper 接口的注册 从上面的代码中，我们知道 BlogMapper 接口的实现类是从session.getMapper中得来的，大概是基于动态代理技术实现。我们既然能够从SqlSession中得到BlogMapper接口的，那么我们肯定需要先在哪里把它放进去了，然后 SqlSession 才能生成我们想要的代理类啊。上面代码中有这么一行： 跟着这个 addMapper 方法的代码实现是这样的： 我们看到这里 mapper 实际上被添加到 mapperRegissry 中。继续跟进代码： 看到这里我们知道上面所执行的configuration.addMapper(BlogMapper.class); 其实最终被放到了HashMap中，其名为knownMappers ，knowMappers是MapperRegistry 类的一个私有属性，它是一个HashMap 。其Key 为当前Class对象，value 为一个MapperProxyFactory 实例。 这里我们总结一下： 诸如BlogMapper 之类的Mapper接口被添加到了MapperRegistry 中的一个HashMap中。并以 Mapper 接口的 Class 对象作为 Key , 以一个携带Mapper接口作为属性的MapperProxyFactory 实例作为value 。MapperProxyFacory从名字来看，好像是一个工厂，用来创建Mapper Proxy的工厂。我们继续往下看。 Mapper接口的动态代理类的生成 上面我们已经知道，Mapper 接口被到注册到了MapperRegistry中——放在其名为knowMappers 的HashMap属性中，我们在调用Mapper接口的方法的时候，是这样的： 这里，我们跟踪一下session.getMapper() 方法的代码实现，这里 SqlSession 是一个接口，他有两个实现类，一个是DefaultSqlSession,另外一个是SqlSessionManager,这里我们用的是DefaultSqlSession. 为什么是DefaultSqlSession呢？因为我们在初始化SqlSessionFactory的时候所调用的SqlSessionFactoryBuilder的build()方法里边配置的就是DefaultSqlSession, 所以，我们进入到DefaultSession类中，看看它对session.getMapper(BlogMapper.class)是怎么实现的： 如代码所示，这里的 getMapper 调用了 configuration.getMapper , 这一步操作其实最终是调用了MapperRegistry,而此前我们已经知道，MapperRegistry是存放了一个HashMap的，我们继续跟踪进去看看，那么这里的get，肯定是从这个hashMap中取数据。我们来看看代码： 我们调用的session.getMapper(BlogMapper.class);最终会到达上面这个方法，这个方法，根据BlogMapper的class对象,以它为key在knowMappers 中找到了对应的value —— MapperProxyFactory(BlogMapper) 对象，然后调用这个对象的newInstance()方法。根据这个名字，我们就能猜到这个方法是创建了一个对象，代码是这样的： 看到这里，就清楚了，最终是通过Proxy.newProxyInstance产生了一个BlogMapper的代理对象。Mybatis 为了完成 Mapper 接口的实现，运用了代理模式。具体是使用了JDK动态代理，这个Proxy.newProxyInstance方法生成代理类的三个要素是： 代理模式中，代理类(MapperProxy)中才真正的完成了方法调用的逻辑。我们贴出MapperProxy的代码，如下： 我们调用的 Blog blog = mapper.selectBlog(1); 实际上最后是会调用这个MapperProxy的invoke方法。这段代码中，if 语句先判断，我们想要调用的方法是否来自Object类，这里的意思就是，如果我们调用toString()方法，那么是不需要做代理增强的，直接还调用原来的method.invoke()就行了。只有调用selectBlog()之类的方法的时候，才执行增强的调用——即mapperMethod.execute(sqlSession, args);这一句代码逻辑。 而mapperMethod.execute(sqlSession, args);这句最终就会执行增删改查了，代码如下： 再往下一层，就是执行JDBC那一套了，获取链接，执行，得到ResultSet，解析ResultSet映射成JavaBean。 至此，我们已经摸清楚了Blog blog = mapper.selectBlog(1); 中，BlogMapper接口调用到得到数据库数据过程中，Mybaitis 是如何为接口生成实现类的，以及在哪里出发了最终的CRUD调用。实际上，如果我们在调用Blog blog = mapper.selectBlog(1);之前，把从slqSession中得到的 mapper 对象打印出来就会看到，输出大概是这样的： 动态代理没错吧，Java动态代理实在是太美妙了。 上面我们用层层深入的方式摸清楚了 Mapper接口是如何找到实现类的。我们分析了 Mapper接口是如何注册的，Mapper接口是如何产生动态代理对象的，Maper接口方法最终是如何执行的。总结起来主要就是这几个点：

问题背景： 执行流程： 1.发现Bean定义：首先根据@MapperScan中的basePackage或者@Mapper所在的package取得需要扫描的包，之后通过ClassPathMapperScaner获取包下所有Mapper接口类的BeanDefinition； 2.注册Bean：设置beanClass为MapperFactoryBean，再设置MapperFactoryBean的构造参数为实际的Mapper接口类，然后通过ClassPathBeanDefinitionScanner父类进行Bean注册 3.调用Bean：自动注入时，通过调用MapperFactoryBean的getObject获取实例 原理解析：

A.逐点插入法基本原理逐点插入法的优势不仅在于其理论上比较简单，容易理解，更重要的是该方法对于点的插入是动态的、局部的，正是其局部性，所以是高效的，特别适合于可能动态插入钻孔数据的地质建模方法。其基本步骤为：①定义一个包含所有钻孔孔口坐标数据点的超级三角形(或者矩形，由两个三角形构成)；②遍历待插入点，对于某一个待插入点P，找到其所在的三角单元T；③把P与T的3个顶点相连，生成3个新三角形；④用局部最优方法(LOP)优化三角网，使其符合Delaunay空圆准则。B.几何查询与拓扑修改点插入过程中，需要大量的几何查询和拓扑修改。这些操作主要分为两类：①查询。从三角单元中提取信息，比如在结点、边和三角形之间检查邻接关系，提取三角形单元进行可视化显示；②修改。改变TIN中的拓扑和几何信息，如在局部优化时进行边交换操作和基于点插入的细分操作。在进行点插入时，首先是几何上的查询，即判断待插入点P(x，y)是否位于某个三角形内。传统上，对点是否在三角形内的这一看似简单的问题，是通过严格的几何计算来确定。这里，充分发挥GMaps拓扑数据模型的优势，判断方法如下，遍历三角形的三条半边E1、E2、E3(图3.4)，若点P不在半边E1所在的半平面(half plane)H1，2左侧，则直接返回“false”，进入下一个三角形；否则继续。利用2-Orbit(即 )由E1得到E2，判断点P是否位于其所在的半平面H2，3左侧。只有点P全部在半平面H1，2、H2，3、H3，1的左侧，点P位于三角形内。即：P∈H1，2∩H2，3∩H3，1 　　　(3.2)图3.4 点与三角形的关系判断若点P不在当前三角形内，可以通过1-Orbit( )获取相邻的三角形继续进行判断，直到找到点P所在的三角形，整个过程如图3.5所示。实践表明，在整个查找过程中，对于任何初始拓扑单元d，查找路径总是以近似直线(图3.5所示的虚箭头)的“速度”趋近于目标的三角单元。因此，只需要有限的若干步骤即可完成，大大提高了算法的执行效率，也体现GMaps的优势。在找到P所在的三角形Ti后，用点P将Ti一劈为三(图3.6)。首先，新建六条半边：V1P、V2P、V3P和PV1、PV2、PV3；然后，需要修改三角单元V1V2V3的拓扑关系：将V1V2的后继半边修改为V2P，并设V2P的后继边为PV1，PV1的后继边为V1V2；这样，PV1V2构成一个新的拓扑三角单元。同理，对V2V3和V3V1做拓扑修改，得到另外两个新的拓扑三角单元：PV2V3、PV3V1。经过点劈裂后形成三个新的三角单元，接下来需要对每个三角单元进行局部优化(图3.7)。如图3.7a所示，问题将转化为拓扑单元V1V2V3的外接圆是否包含相邻的拓扑单元V2V4V3的顶点V4。如图3.7b所示，判断点V4是否在V2V4V3的外接圆内，只需考虑α+β的大小。若α+β＞π，则V4在V2V4V3的外接圆内，需要执行边交换。根据四边形的性质，同时有α+β＜2π：图3.5 初始三角网和待插入点P的查找过程图3.6 点劈裂三角形图3.7 三角化过程中进行边交换数字地下空间与工程三维地质建模及应用研究因此，只需判断sinαcosβ+cosαsinβ＜0即可。如图3.7b所示，计算过程采用如下方法：sinα=crossProduct(d1，d2)sinβ=crossProduct(d3，d4)cosα=scalarProduct(d1，d2)cosβ=scalarProduct(d3，d4)if((sinαcosβ+cosαsinβ)＜0)return okelsereturn false其中，crossProduct表示向量叉积，scalarProduct表示向量点积。经过上述计算过程，若需要边交换，则如图3.7c所示，修改V3V1的后继半边为V1V4，V1V4的后继半边为V4V3，V4V3的后继半边为V3V1。同理对V1V2也做相应的拓扑修改。整个过程始终维持拓扑单元d的拓扑关系的一致性，结果如图3.7d所示。C.点的动态插入之所以采用逐点插入法构建Delaunay三角网，是因为其具有“开放性”。即当有新的数据点加入时，只需在局部进行修改或者扩充，而不需要改变整个体系结构。能够便于空间数据的动态插入与局部更新。新插入数据点P，依据插入点所在位置的不同分为两种情况：(1)新插入点P在原有Delaunay三角网边界之内，此时只需要判断新点位于哪一个三角形内，然后按照上节所述方法通过几何查询和拓扑修改即可完成。(2)新插入点P在原有Delaunay三角网边界之外，此时只需要将新数据点追加到离散点数据库的最后。从Delaunay三角网边界为凸包的角度考虑，先找出已有三角网的边界边，可以通过α2(d)=d来获取边界边所形成的凸包多边形。然后，找到与待插入点P最近的边界点Q，可以证明待插入点与该边界点形成一条Delaunay边。在边界点集中，以点Q为参照向两个方向扩展形成新的边界，直到最后所形成的边界满足凸包原则即可。最后，对新形成的三角形进行局部优化调整，可以保证最终形成的三角网为Delaunay三角化。D.点的动态删除点删除是点插入的逆过程，需要使点删除之后的三角网仍然满足Delaunay法则，且要动态更新点、线和三角形之间的拓扑关系。关于点删除算法国内外研究相对较少，Chew(1986)最早提出从D-TIN中删除点的算法，但比较复杂，没有得到实际应用；此后，朱庆等(1998)提出了类D-TIN中点删除算法，Devillers(1999)提出基于凸耳权的点删除算法——凸耳消元法(ear elimination，EE)，实现了从二维D-TIN中删除单一点的删除算法；Marc(1997)在规则三角剖分(regular triangulation，RT)中也涉及对点的删除算法，Mostafavi et al.(2003)改进了凸耳消元法。所谓凸耳，是指在D-TIN中删除点P时，从点P的影响域中逆时针选取3个相邻的点组成一个三角形，若其相对于点P是凸的，且其外接圆内部包含其他点，则该三角形称为一个凸耳。Devillers提出的凸耳权值点删除算法的基本原理是：查找以被删除点P为顶点的所有三角形，组成任意多边形H={ q0，q1，…，qk-1，qk=q0}。按照逆时针顺序形成该多边形的凸耳权值队列。从队列中选择权值最小的凸耳ear={qi，qi+1，qi+2}，则qiqi+2为D-TIN中的一条边，凸耳权计算公式为(Devillers，1999)：数字地下空间与工程三维地质建模及应用研究由于凸耳定义严格，动态编辑过程中凸耳队列的更新维护较复杂，可以以特征三角形来取代凸耳。所谓特征三角形，是指沿多边形边界(按逆时针方向)连接任意相邻3点组成的三角形，其权值定义如下：若三角形的矢量面积为负，其权值为无穷大，否则，其权值用式(3.4)计算。删除点的步骤如下：第一步：查找被删除点P相关联的所有顶点和边，利用0-Orbit( )即可完成(图3.8a)。第二步：形成带权值的特征三角形队列。根据第一步找到的多边形顶点，按逆时针依次计算每一个三角形的凸耳权值。第三步：查找符合Delaunay特征的D-TIN边。从特征三角形队列中删除权值最小的△tri=qiqi+1qi+2{ }，则qiqi+2为D-TIN的一条边。修改此特征三角形的前后数据元素，并计算新的特征三角形权值。第四步：对角线交换及D-TIN的局部更新。根据拓扑关系和点与边的对应关系在D-TIN中查找以qi、qi+1、qi+2、p为顶点的两个三角形。交换这两个三角形所组成的凸四边形的对角线，这样以被删除点为顶点的三角形个数少1。交换对角线后，生成1条新边和2个新三角形，并维护三角形、边之间的拓扑关系。如图3.8所示，特征三角形队列中权值最小的三角形为△q1q2q3，以p、q1、q2、q3为顶点的两个三角形为F、F2，交换这两个三角形形成的凸四边形的对角线为E0={q1q3}。图3.8 对角线交换与局部更新第五步：重复第三、第四步，直到多边形顶点个数为3，转入第六步。第六步：点删除与局部更新。经过以上多次对角线交换，以被删除点P为顶点的三角形只剩下3个，合并这3个三角形，删除2个三角形元素、3条边和数据点P，更新三类元素间的拓扑关系，即完成了Delaunay点的动态删除。

这个节点是maya材质节点中的Rgb to Hsv节点

@Aspectpublic class UrlAuthFilter {@Pointcut("execution(* xx.xx.xx.controller.*(..))") //切入点：所有controller下的所有方法public void urlAuth() {};@Around("@annotation(org.springframework.web.bind.annotation.RequestMapping)")//拦截所有带有RequestMapping注解的方法public Object verifyAuth(ProceedingJoinPoint thisJoinPoint) {System.out.println ("切面执行了。。。。");RequestMapping rm = ((MethodSignature)thisJoinPoint.getSignature()).getMethod().getAnnotation(RequestMapping.class);String [] values = rm.value();return null;}}数组values就是你想要的RequestMapping中的url值。

使用@RequestMapping注解时,配置的信息最后都设置到了RequestMappingInfo中.RequestMappingInfo封装了PatternsRequestCondition,RequestMethodsRequestCondition,ParamsRequestCondition等,所以自己不干活,所有的活都是委托给具体的condition处理.先看下封装的RequestCondition吧,之前的文章将的比较细了,不清楚各个类具体是做什么的,可以移步这里<SpringMVC源码解读 - RequestMapping注解实现解读 - RequestCondition体系>1 package org.springframework.web.servlet.mvc.method;2 public final class RequestMappingInfo implements RequestCondition<RequestMappingInfo> {34 private final PatternsRequestCondition patternsCondition;56 private final RequestMethodsRequestCondition methodsCondition;78 private final ParamsRequestCondition paramsCondition;9 10 private final HeadersRequestCondition headersCondition;11 12 private final ConsumesRequestCondition consumesCondition;13 14 private final ProducesRequestCondition producesCondition;15 16 private final RequestConditionHolder customConditionHolder;17 }初始化没什么好看的,直接看接口的实现吧.貌似combine也没啥料,就是分别委托1 /**2 * Combines "this" request mapping info (i.e. the current instance) with another request mapping info instance.3 * <p>Example: combine type- and method-level request mappings.4 * @return a new request mapping info instance; never {@code null}5 */6 public RequestMappingInfo combine(RequestMappingInfo other) {7 PatternsRequestCondition patterns = this.patternsCondition.combine(other.patternsCondition);8 RequestMethodsRequestCondition methods = this.methodsCondition.combine(other.methodsCondition);9 ParamsRequestCondition params = this.paramsCondition.combine(other.paramsCondition);10 HeadersRequestCondition headers = this.headersCondition.combine(other.headersCondition);11 ConsumesRequestCondition consumes = this.consumesCondition.combine(other.consumesCondition);12 ProducesRequestCondition produces = this.producesCondition.combine(other.producesCondition);13 RequestConditionHolder custom = this.customConditionHolder.combine(other.customConditionHolder);14 15 return new RequestMappingInfo(patterns, methods, params, headers, consumes, produces, custom.getCondition());16 }getMatchingCondition只是体现出可能基于性能消耗的考虑,把PatternsRequestCondition和RequestConditionHolder的比较放到后面单独处理了.1 /**2 * Checks if all conditions in this request mapping info match the provided request and returns3 * a potentially new request mapping info with conditions tailored to the current request.4 * <p>For example the returned instance may contain the subset of URL patterns that match to5 * the current request, sorted with best matching patterns on top.6 * @return a new instance in case all conditions match; or {@code null} otherwise7 */8 public RequestMappingInfo getMatchingCondition(HttpServletRequest request) {9 RequestMethodsRequestCondition methods = methodsCondition.getMatchingCondition(request);10 ParamsRequestCondition params = paramsCondition.getMatchingCondition(request);11 HeadersRequestCondition headers = headersCondition.getMatchingCondition(request);12 ConsumesRequestCondition consumes = consumesCondition.getMatchingCondition(request);13 ProducesRequestCondition produces = producesCondition.getMatchingCondition(request);14 15 if (methods == null || params == null || headers == null || consumes == null || produces == null) {16 return null;17 }18 19 PatternsRequestCondition patterns = patternsCondition.getMatchingCondition(request);20 if (patterns == null) {21 return null;22 }23 24 RequestConditionHolder custom = customConditionHolder.getMatchingCondition(request);25 if (custom == null) {26 return null;27 }28 29 return new RequestMappingInfo(patterns, methods, params, headers, consumes, produces, custom.getCondition());30 }compareTo就是排了个不同RequestCondition的优先级1 /**2 * Compares "this" info (i.e. the current instance) with another info in the context of a request.3 * <p>Note: it is assumed both instances have been obtained via4 * {@link #getMatchingCondition(HttpServletRequest)} to ensure they have conditions with5 * content relevant to current request.6 */7 public int compareTo(RequestMappingInfo other, HttpServletRequest request) {8 int result = patternsCondition.compareTo(other.getPatternsCondition(), request);9 if (result != 0) {10 return result;11 }12 result = paramsCondition.compareTo(other.getParamsCondition(), request);13 if (result != 0) {14 return result;15 }16 result = headersCondition.compareTo(other.getHeadersCondition(), request);17 if (result != 0) {18 return result;19 }20 result = consumesCondition.compareTo(other.getConsumesCondition(), request);21 if (result != 0) {22 return result;23 }24 result = producesCondition.compareTo(other.getProducesCondition(), request);25 if (result != 0) {26 return result;27 }28 result = methodsCondition.compareTo(other.getMethodsCondition(), request);29 if (result != 0) {30 return result;31 }32 result = customConditionHolder.compareTo(other.customConditionHolder, request);33 if (result != 0) {34 return result;35 }36 return 0;37 }

你好，一般按照成年人来说map/cuff在70~105mmHg算正常水平，而平均动脉压是（MAP）,每分钟脉搏是（pul）,舒张压是（dp）。关于平均动脉压，平均动脉压一个心动周期中动脉血压的平均值称为平均动脉压。正常成年人平均动脉压正常值为70~105mmHg。计算公式如下：平均动脉压=(收缩压+2×舒张压)/3。也可表示为：平均动脉压=舒张压+1/3脉压差。它的英文缩写为 MAP（mean arterial pressure）。

sqlmap?

I miss the taste of the sweeter life我怀念以往的甜蜜生活I miss the conversation我怀念那些甜言蜜语I"m searching for a song tonight我正为今夜找首歌I"m changing all of the stations我调遍所有电台I like to think that we had it all我曾以为我们拥有一切We drew a map to a better place我们共同描绘未来蓝图But on that road I took a fall途中我突然力不从心Oh baby why did you run away宝贝你为何要逃离I was there for you in your darkest times在你最灰暗的时刻我相伴左右I was there for you in your darkest nights在你最困顿的夜里我不离不弃But I wonder where were you但我想知道你身在何处When I was at my worst down on my knees当我深陷无助苦苦哀求And you said you had my back你曾说会支持我So I wonder where were you而这时你究竟在哪When all the roads you took came back to me当你满盘恶果把我吞噬So I"m following the map that leads to you我按图索骥The map that leads to you通向你的地图Ain"t nothing I can do我束手无策The map that leads to you通向你的地图Following following following to you我不断追随The map that leads to you通向你的地图Ain"t nothing I can do我束手无策The map that leads to you通向你的地图Following following following不断追随I hear your voice in my sleep at night梦里我听到你的声音Hard to resist the temptation如此地难以抗拒Cause something strange has come over me一种奇怪的感觉向我袭来And now I can"t get over you而现在我无法将你忘怀No I just can"t get over you唯独无法将你忘怀I was there for you in your darkest times在你最灰暗的时刻我相伴左右I was there for you in your darkest nights在你最困顿的夜里我不离不弃But I wonder where were you但我想知道你身在何处When I was at my worst down on my knees当我深陷无助苦苦哀求And you said you had my back你曾说会支持我So I wonder where were you而这时你究竟在哪When all the roads you took came back to me当你满盘恶果把我吞噬So I"m following the map that leads to you我按图索骥The map that leads to you通向你的地图Ain"t nothing I can do我束手无策The map that leads to you通向你的地图Following following following to you我不断追随The map that leads to you通向你的地图Ain"t nothing I can do我束手无策The map that leads to you通向你的地图Oh oh oh噢噢噢Oh oh oh噢噢噢Ya ya ya耶耶耶Ah ah ah啊啊啊Oh I was there for you oh in your darkest times在你最灰暗的时刻我相伴左右Oh I was there for you oh in your darkest nights在你最困顿的夜里我不离不弃OhI was there for you oh in your darkest times在你最灰暗的时刻我相伴左右Oh I was there for you oh in your darkest nights在你最困顿的夜里我不离不弃But I wonder where were you但我想知道你身在何处When I was at my worst down on my knees当我深陷无助苦苦哀求And you said you had my back你曾说会支持我So I wonder where were you而这时你究竟在哪When all the roads you took came back to me当你满盘恶果把我吞噬So I"m following the map that leads to you我按图索骥The map that leads to you通向你的地图Ain"t nothing I can do我束手无策The map that leads to you通向你的地图Following following following to you我不断追随The map that leads to you通向你的地图Ain"t nothing I can do我束手无策The map that leads to you通向你的地图Following following following不断追随

是焊缝图

pmap PID #查看静态内存使用情况top #按shift+m 按照内存使用情况进行排序 ps -ef | grep nginx #查看PID 比1234cat /proc/1234/status #查看详细信息RSS列 表示 程序占用少物理内存 虚拟内存用考虑并占用实际物理内存 (2). top 命令 其VIRT(或VSS)列 表示程序占用少虚拟内存 同 ps aux VSZ列 RES列 表示 程序占用少物理内存同 ps aux RSS列 2.linux 查看前系统占用少内存 般命令 free其 free系统少内存使用由于 linux 系统内存使用原则 内存宝贵 能使用少使用少 所 linux已经调用包缓存起放内存实际使用内存理解 free+buffers+cached3.解完些命令 再使用ps aux 命令查看候 发现奇怪现象 所 RSS 列数据加起 比物理内存数要 比 物理内存2G RSS列数据加起能5G 事 RSS列值骗我 linux内存机制： 运行程序 linux调用该程序依赖链接库 lib.xx.so 首先看该链接库否映射进内存没映射则代码段与数据段映射内存否则其加入进程址空间 N程序依赖lib.xx.so候 实际内存lib.xx.so N RSS显示程序占用实际物理内存 lib.xx.so算进 比 X程序 本身占用内存5M lib.xx.so 占用内存2Mlib.xx.soN程序共享依赖 则RSS显示X程序运行占用内存7M 实际 X程序占用5M空间 余2m讨入RSS 用ps aux显示内存占用情况 N共享依赖lib.xx.soN程序都2m空间算自RSS RSSsum值比实际物理内存 linux内存使用机制复杂 句两句能说清楚简单说明 ps auxRSS值 并能真实反映物理内存使用情况 4. 查看更详细内存使用情况 用几种 或者几种结合使用：几种都需要root账户权限(1). pmap -d $pid $pid 运行程序pid(2). cat /proc/$pid/smaps smaps数据比较详细简单归纳归纳命令： cat /proc/$pid/smaps | awk "/Size|Rss|Pss|Shared|Private|Referenced|Swap/{val_name=gensub(/([a-zA-Z_]*).*/,"\1",1,$1); list[val_name]+=$2; }END{for(val in list)print val,list[val];}" (3). cat /proc/$pid/maps(4). cat /proc/$pid/statm输解释第列 size:任务虚拟址空间 第二列 Resident：使用物理内存 第三列 Shared：共享页数第四列 Trs：程序所拥执行虚拟内存 第五列 Lrs：映像倒任务虚拟内存空间库 第六列 Drs：程序数据段用户态栈 第七列 dt：脏页数量(5). vmstat命令据说提供些参考信息具体未研究 5.作phper尝试使用php函数memory_get_usage() 该函数能php前运行程序实际真占用内存数量 真想php真占用内存 概能, 程序运行始执行memory_get_usage(). 程序运行结束执行memory_get_usage() 两者值相减值 应该相比较准确内存占用数量 没测试 考虑 数量没实际意义 加平比较忙懒试

QPixmap 类是一种 off-screen 图像表示形式，可以用作绘画设备。使用 QLabel 或 QAbstractButton 的子类之一（例如 QPushButton 和 QToolButton ），可以轻松地在屏幕上显示 QPixmap 。 QLabel 具有 pixmap 属性，而 QAbstractButton 具有 icon 属性。 由于 QPixmap 类使用隐式数据共享，因此可以按值传递 QPixmap 对象。有关更多信息，请参见隐式数据共享（ Implicit Data Sharing ）文档。 QPixmap 对象也可以流式传输。 请注意，pixmap 中的像素数据是内部的，并由基础窗口系统管理。由于 QPixmap 是 QPaintDevice 子类，因此 QPainter 可用于直接绘制到 pixmap 上。只能通过 QPainter 函数或将 QPixmap 转换为 QImage 来访问像素。但是， fill() 函数可用于以给定的颜色初始化整个像素图。 有一些函数可以在 QImage 和 QPixmap 之间进行转换。通常，在将 QImage 对象转换为要在屏幕上显示的 QPixmap 之前，使用 QImage 类加载图像文件，并选择处理图像数据。或者，如果不需要任何操作，则可以将图像文件直接加载到 QPixmap 中。 QPixmap 提供了一组函数，这些函数可用于获取有关像素图的各种信息。另外，有几个函数可以转换像素图。 从给定 fileName 的文件构造一个 pixmap。如果文件不存在或格式未知，则像素图将成为空像素图（null pixmap）。加载程序尝试使用指定的 format 读取像素图。如果未指定 format （默认设置），则加载程序会在文件中探测标头以猜测文件格式。文件名可以引用磁盘上的实际文件，也可以引用应用程序的嵌入式资源之一。 有关如何在应用程序的可执行文件中嵌入图像和其他资源文件的详细信息，请参见 Resource System 。 如果需要修改图像以适应较低分辨率的结果（例如，从32位转换为8位），请使用 flags 来控制转换。 fileName ， format 和 flags 参数传递给 load() 。这意味着 fileName 中的数据未编译为二进制文件。如果 fileName 包含相对路径（例如，仅文件名），则必须找到相对于运行时工作目录的相关文件。 使用给定的 width 和 height 构造一个像素图。如果 width 或 height 为零，则构造一个空的像素图。警告：这将创建一个带有未初始化数据的 QPixmap 。调用 fill() 以用适当的颜色填充像素图，然后使用 QPainter 对其进行绘制。 下面以 QLabel 为例子说明如何使用 QPixmap ： 效果： QPixmap 提供了几种读取图像文件的方式：构造 QPixmap 对象时可以加载该文件，或者稍后使用 load() 或 loadFromData() 函数来加载该文件。加载图像时，文件名可以引用磁盘上的实际文件，也可以引用应用程序的嵌入式资源之一。有关如何在应用程序的可执行文件中嵌入图片和其他资源文件的详细信息，请参见 Qt资源系统概述 。 只需调用 save() 函数即可保存 QPixmap 对象。 可通过 supportedImageFormats() 和 supportedImageFormats() 函数获得受支持文件格式的完整列表。可以将新文件格式添加为插件。默认情况下，Qt支持以下格式： 使用 load() 从给定 fileName 的文件中加载像素图。如果成功加载了像素图，则返回 True ；否则会使像素图无效并返回 False ： 效果： 请注意，从主线程中的文件加载时， QPixmap 会自动添加到 QPixmapCache 中。使用的 key 是内部密钥，无法获取。 loadFromData() 从给定二进制数据的 len 个前字节加载 pixmap。如果成功加载了像素图，则返回 true；否则会使像素图无效并返回 false。 save() 是一个重载函数。此函数使用指定的图像文件 format 和 quality 因数将 QPixmap 写入给定 device 。例如，这可以用于将像素图直接保存到 QByteArray 中： QPixmap 提供了一组函数，这些函数可用于获取有关 pixmap 的各种信息： createHeuristicMask([clipTight=true]) 创建并返回此像素图的启发式蒙版。该功能的工作原理是从任一角中选择一种颜色，然后从所有边缘开始切去该颜色的像素。 如果 clipTight 为true（默认值），则遮罩足够大以覆盖像素； 否则，掩码大于数据像素。 遮罩（mask）可能并不完美，但应该合理，因此您可以执行以下操作： 此函数很慢，因为它涉及到 QImage 的转换以及非平凡的计算。可参考： createHeuristicMask() 、 createMaskFromColor() 。 可以使用 toImage() 函数将 QPixmap 对象转换为 QImage 。同样，可以使用 fromImage() 将 QImage 转换为 QPixmap 。如果此操作过于昂贵，则可以改用 fromImage() 。 要将 QPixmap 与 HICON 相互转换，可以分别使用 QtWinExtras 函数 QtWin::toHICON() 和 QtWin::fromHICON() 。 QPixmap 支持许多用于创建新 pixmap 的功能，该新 pixmap 是原始 pixmap 的转换（transformed）版本： scaled() ， scaledToWidth() 和 scaledToHeight() 函数返回像素图的缩放副本，而 copy() 函数创建的 QPixmap 是原始像素图的纯副本。 scaled() 返回根据给定的 AspectRatioMode 和 transformMode 缩放为具有给定 width 和 height 的矩形的像素图的副本。 scaledToWidth() 和 scaledToHeight() 使用方法类似于 scaled() ： copy() 返回由矩形 QRect ( x , y , width , height ) 指定的像素图子集的深层副本： transformd() 函数返回使用给定的转换矩阵和转换模式转换的像素图的副本：在内部，调整转换矩阵以补偿不需要的平移，即 transform() 返回包含原始像素图的所有转换点的最小像素图。 静态 trueMatrix() 函数返回用于转换像素图的实际矩阵。 下列图像处理类也支持 Transformations 中的这些函数： QBitmap QImage QImageReader QImageWriter PySide2.QtGui.QPixmap.isNull() 如果这是一个空的像素图，则返回 true；否则返回 false。 PySide2.QtGui.QPixmap.swap(other) 用此像素图交换 other （即 QPixmap 实例）。 此操作非常快，并且永远不会失败。

但很多时候还是得静下来分析过滤系统到底过滤了哪些参数，该如何绕过。sqlmap中的tamper给我们带来了很多防过滤的脚本，非常实用，可能有的朋友还不知道怎样才能最有效的利用tamper脚本。当然使用脚本之前需要确定的就是系统过滤了哪些关键字，比如单引号、空格、select、union、admin等等。所以有的时候我们会发现，注入成功了但是dump不出数据，很可能是select被过滤了等等原因。如何判断使用哪个脚本最简单的办法就是在url参数中手工带入关键词，判断是否被过滤。如图：直接加个单引号被过滤，说明注入时单引号是没法用的。空格、等于号都没有过滤，成功报错。select被过滤。以此类推，当sqlmap注入出现问题时，比如不出数据，就要检查对应的关键词是否被过滤。比如空格被过滤可以使用space2comment.py，过滤系统对大小写敏感可以使用randomcase.py等等。

做路由汇总之后，泄露明细路由

TrueTypeFont是一种字库名称。字库是输出设备的一个组成部分。由于汉字不同干西方字体，字符集非常庞大，不能用单字节表示，因此postscriptleveli的rip不能使用汉字，很多西文软件也不支持汉字。桌面出版系统使用的字库有两种标准：postscript字库和truetype字库。这两种字体标准都是采用曲线方式描述字体轮廓，因此都可以输出很高质量的字形。postscript汉字库分为显示字库和打印字库，显示字库安装在制作计算机上，用来制作版面时显示用，通常由低分辨率的点阵字构成。打印字库要挂接在rip上，在解释页面时由rip把需要的字库调人页面并解释成记录的点阵。postscript汉字使用方便，输出速度快，是输出中心必备的。另一种常用的字库标准是truetype字库，truetype字体是windows操作系统使用的唯一字体标准，macintosh计算机也用truetype字体作为系统字体。truetype字体的最大优点是可以很方便地把字体轮廓转换成曲线，可以对曲线进行填充，制成各种颜色和效果，它可以进一步变形，制作特殊效果字体，因此经常用来制作一些标题字或花样字。truetype字便宜，字款丰富。但一般情况厂truetype字不能直接由rip输出。需要经过特殊处理，比如转成曲线或输出时下载，使用起来较麻烦。速度也要慢一些，尤其是处理大量文字时很不方便，因此不适合用来作为页面的正文文字使用。truetype字体也用来作为postscript字库的显示字用，各字库公司同时都有这两种标准的产品。因此当使用truetype字体制作版面时，输出时仍然可以将它代换成postscript字库输出

映射。。。。

一款相当精致的中文数字音频播放软件，采用高保真、高性能的DirectSound 音频回放技术，自主研发出全新的播放器核心，使其具有资源占用少、运行效率高、扩展能力强等优点。主要功能特点：1。拥有先进的音频播放核心，以极少的资源占用来换取高效的播放性能，同时支持声卡的选择以及缓冲长度的设定；2。拥有完美音质的 10 段 ISO 均衡器，同时为各种音乐类型提供配置方案；3。支持 MP3、OGG、WMA、WAVE、CD 等常见的音频格式，并可以对音频文件进行关联；4。支持播放列表和音频文件搜索功能，支持 ID3 标签显示和修改；5。支持高效、美观的视觉效果显示，在欣赏音乐的同时不必担心系统资源是否够用；6。支持高效率、高质量、可定制的内置歌词秀，可以同步浏览滚动的歌词；7。支持 Winamp 2.x 的音效插件，实现对现有的大量优秀的音效插件资源进行共享；8。支持基于 XML 格式的动态皮肤更换，并且还可以根据要求来制作皮肤；9。漂亮的程序界面和标准的操作方式，同时具有磁性窗口、透明窗口、系统托盘等当前流行的功能。10。完全免费，使用或者传播本软件不需要承担任何形式的费用或进行烦琐的注册。 千千静听下载地址http://download.pchome.net/multimedia/mp3/player/11382.html

part-r-0000这个文件时存放在hdfs上的，并非本地文件系统，所以你当然找不到了，你只能通过hdfs的命令查看，或者使用插件。hdfs的文件虽然底层也是存放在本地文件系统的，但是你是没法显式查看的，跟数据库一样的。

分析在MongoDB中正成为越来越重要的话题，因为它在越来越多的大型项目中使用。人们厌倦了使用不同的软件来做分析（包括Hadoop），分析在MongoDB中正成为越来越重要的话题，因为它在越来越多的大型项目中使用。人们厌倦了使用不同的软件来做分析（包括Hadoop），它们显然需要传输大量开销的数据。MongoDB提供了两种内置分析数据的方法：Map Reduce和Aggregation框架。MR非常灵活，很容易部署。它通过分区工作良好，，并允许大量输出。MR在MongoDB v2.4中，通过使用JavaScript引擎把Spider Monkey替换成V8,性能提升很多。老板抱怨它太慢了，尤其是和Agg框架（使用C++）相比。让我们看看能否从中榨出点果汁。练习让我们插入1千万条文档，每个文档包含一个从0到1000000的整数。这意味着平均有10个文档会具有相同的值。> for (var i = 0; i < 10000000; ++i){ db.uniques.insert({ dim0: Math.floor(Math.random()*1000000) });}> db.uniques.findOne(){ "_id" : ObjectId("51d3c386acd412e22c188dec"), "dim0" : 570859 }> db.uniques.ensureIndex({dim0: 1})> db.uniques.stats(){ "ns" : "test.uniques", "count" : 10000000, "size" : 360000052, "avgObjSize" : 36.0000052, "storageSize" : 582864896, "numExtents" : 18, "nindexes" : 2, "lastExtentSize" : 153874432, "paddingFactor" : 1, "systemFlags" : 1, "userFlags" : 0, "totalIndexSize" : 576040080, "indexSizes" : { "_id_" : 324456384, "dim0_1" : 251583696 }, "ok" : 1}从这其中，我们想要计算出现的不同值的个数。可以用下列MR任务轻松完成这个工作: > db.runCommand({ mapreduce: "uniques", map: function () { emit(this.dim0, 1); }, reduce: function (key, values) { return Array.sum(values); }, out: "mrout" }){ "result" : "mrout", "timeMillis" : 1161960, "counts" : { "input" : 10000000, "emit" : 10000000, "reduce" : 1059138, "output" : 999961 }, "ok" : 1}正如你在输出内容中看到的，这耗费了大概1200秒(在EC2 M3实例上进行的测试)。有1千万个map，1百万个reduce，输出了999961个文档。结果就像下面这样: > db.mrout.find(){ "_id" : 1, "value" : 10 }{ "_id" : 2, "value" : 5 }{ "_id" : 3, "value" : 6 }{ "_id" : 4, "value" : 10 }{ "_id" : 5, "value" : 9 }{ "_id" : 6, "value" : 12 }{ "_id" : 7, "value" : 5 }{ "_id" : 8, "value" : 16 }{ "_id" : 9, "value" : 10 }{ "_id" : 10, "value" : 13 }...更多详情见请继续阅读下一页的精彩内容： MongoDB 的详细介绍：请点这里MongoDB 的下载地址：请点这里推荐阅读：Java实现MongoDB中自增长字段 CentOS编译安装MongoDB CentOS 编译安装 MongoDB与mongoDB的php扩展 CentOS 6 使用 yum 安装MongoDB及服务器端配置 Ubuntu 13.04下安装MongoDB2.4.3 如何在MongoDB中建立新数据库和集合 MongoDB入门必读(概念与实战并重) 《MongoDB 权威指南》(MongoDB: The Definitive Guide)英文文字版[PDF]

是一个开源的框架，可编写和运行分布式应用处理大规模数据，是专为离线和大规模数据分析而设计的，并不适合那种对几个记录随机读写的在线事务处理模式。

　　大数据的时代， 到处张嘴闭嘴都是Hadoop, MapReduce, 不跟上时代怎么行？ 可是对一个hadoop的新手， 写一个属于自己的MapReduce程序还是小有点难度的， 需要建立一个maven项目， 还要搞清楚各种库的依赖， 再加上编译运行， 基本上头大两圈了吧。 这也使得很多只是想简单了解一下MapReduce的人望而却步。　　本文会教你如何用最快最简单的方法编写和运行一个属于自己的MapReduce程序， let"s go!　　首先有两个前提：　　1. 有一个已经可以运行的hadoop 集群（也可以是伪分布系统)， 上面的hdfs和mapreduce工作正常 （这个真的是最基本的了， 不再累述， 不会的请参考 )　　2. 集群上安装了JDK (编译运行时会用到）　　正式开始　　1. 首先登入hadoop 集群里面的一个节点， 创建一个java源文件， 偷懒起见， 基本盗用官方的word count (因为本文的目的是教会你如何快编写和运行一个MapReduce程序， 而不是如何写好一个功能齐全的MapReduce程序）　　内容如下：　　import java.io.IOException;import java.util.StringTokenizer;import org.apache.hadoop.conf.Configuration;import org.apache.hadoop.fs.Path;import org.apache.hadoop.io.IntWritable;import org.apache.hadoop.io.Text;import org.apache.hadoop.mapreduce.Job;import org.apache.hadoop.mapreduce.Mapper;import org.apache.hadoop.mapreduce.Reducer;import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;import org.apache.hadoop.util.GenericOptionsParser;public class myword { public static class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable>{ private final static IntWritable one = new IntWritable(1); private Text word = new Text(); public void map(Object key, Text value, Context context ) throws IOException, InterruptedException { StringTokenizer itr = new StringTokenizer(value.toString()); while (itr.hasMoreTokens()) { word.set(itr.nextToken()); context.write(word, one); } } } public static class IntSumReducer extends Reducer<Text,IntWritable,Text,IntWritable> { private IntWritable result = new IntWritable(); public void reduce(Text key, Iterable<IntWritable> values, Context context ) throws IOException, InterruptedException { int sum = 0; for (IntWritable val : values) { sum += val.get(); } result.set(sum); context.write(key, result); } } public static void main(String[] args) throws Exception { Configuration conf = new Configuration(); String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs(); if (otherArgs.length != 2) { System.err.println("Usage: wordcount <in> <out>"); System.exit(2); } Job job = new Job(conf, "word count"); job.setJarByClass(myword.class); job.setMapperClass(TokenizerMapper.class); job.setCombinerClass(IntSumReducer.class); job.setReducerClass(IntSumReducer.class); job.setOutputKeyClass(Text.class); job.setOutputValueClass(IntWritable.class); FileInputFormat.addInputPath(job, new Path(otherArgs[0])); FileOutputFormat.setOutputPath(job, new Path(otherArgs[1])); System.exit(job.waitForCompletion(true) ? 0 : 1); }}　　与官方版本相比， 主要做了两处修改　　1） 为了简单起见，去掉了开头的 package org.apache.hadoop.examples;　　2） 将类名从 WordCount 改为 myword, 以体现是我们自己的工作成果 :)　　2. 拿到hadoop 运行的class path, 主要为编译所用　　运行命令　　hadoop classpath　　保存打出的结果，本文用的hadoop 版本是Pivotal 公司的Pivotal hadoop, 例子：　　/etc/gphd/hadoop/conf:/usr/lib/gphd/hadoop/lib/*:/usr/lib/gphd/hadoop/.//*:/usr/lib/gphd/hadoop-hdfs/./:/usr/lib/gphd/hadoop-hdfs/lib/*:/usr/lib/gphd/hadoop-hdfs/.//*:/usr/lib/gphd/hadoop-yarn/lib/*:/usr/lib/gphd/hadoop-yarn/.//*:/usr/lib/gphd/hadoop-mapreduce/lib/*:/usr/lib/gphd/hadoop-mapreduce/.//*::/etc/gphd/pxf/conf::/usr/lib/gphd/pxf/pxf-core.jar:/usr/lib/gphd/pxf/pxf-api.jar:/usr/lib/gphd/publicstage:/usr/lib/gphd/gfxd/lib/gemfirexd.jar::/usr/lib/gphd/zookeeper/zookeeper.jar:/usr/lib/gphd/hbase/lib/hbase-common.jar:/usr/lib/gphd/hbase/lib/hbase-protocol.jar:/usr/lib/gphd/hbase/lib/hbase-client.jar:/usr/lib/gphd/hbase/lib/hbase-thrift.jar:/usr/lib/gphd/hbase/lib/htrace-core-2.01.jar:/etc/gphd/hbase/conf::/usr/lib/gphd/hive/lib/hive-service.jar:/usr/lib/gphd/hive/lib/libthrift-0.9.0.jar:/usr/lib/gphd/hive/lib/hive-metastore.jar:/usr/lib/gphd/hive/lib/libfb303-0.9.0.jar:/usr/lib/gphd/hive/lib/hive-common.jar:/usr/lib/gphd/hive/lib/hive-exec.jar:/usr/lib/gphd/hive/lib/postgresql-jdbc.jar:/etc/gphd/hive/conf::/usr/lib/gphd/sm-plugins/*:　　3. 编译　　运行命令　　javac -classpath xxx ./myword.java　　xxx部分就是上一步里面取到的class path　　运行完此命令后， 当前目录下会生成一些.class 文件， 例如：　　myword.class myword$IntSumReducer.class myword$TokenizerMapper.class　　4. 将class文件打包成.jar文件　　运行命令　　jar -cvf myword.jar ./*.class　　至此, 目标jar 文件成功生成　　5. 准备一些文本文件， 上传到hdfs, 以做word count的input　　例子：　　随意创建一些文本文件， 保存到mapred_test 文件夹　　运行命令　　hadoop fs -put ./mapred_test/　　确保此文件夹成功上传到hdfs 当前用户根目录下　　6. 运行我们的程序　　运行命令　　hadoop jar ./myword.jar myword mapred_test output　　顺利的话， 此命令会正常进行， 一个MapReduce job 会开始工作， 输出的结果会保存在 hdfs 当前用户根目录下的output 文件夹里面。　　至此大功告成！　　如果还需要更多的功能， 我们可以修改前面的源文件以达到一个真正有用的MapReduce job。　　但是原理大同小异， 练手的话， 基本够了。　　一个抛砖引玉的简单例子， 欢迎板砖。　　转载

你得配置下 在map-reduce 右键eidt 配置下你的HDFS系统信息嘛，

　　一、 首先要知道此前提 转载　　若在windows的Eclipse工程中直接启动mapreduc程序，需要先把hadoop集群的配置目录下的xml都拷贝到src目录下，让程序自动读取集群的地址后去进行分布式运行(您也可以自己写java代码去设置job的configuration属性)。　　若不拷贝，工程中bin目录没有完整的xml配置文件，则windows执行的mapreduce程序全部通过本机的jvm执行，作业名也是带有“local"字眼的作业，如 job_local2062122004_0001。 这不是真正的分布式运行mapreduce程序。　　估计得研究org.apache.hadoop.conf.Configuration的源码，反正xml配置文件会影响执行mapreduce使用的文件系统是本机的windows文件系统还是远程的hdfs系统; 还有影响执行mapreduce的mapper和reducer的是本机的jvm还是集群里面机器的jvm　　二、 本文的结论　　第一点就是： windows上执行mapreduce，必须打jar包到所有slave节点才能正确分布式运行mapreduce程序。（我有个需求是要windows上触发一个mapreduce分布式运行）　　第二点就是： Linux上，只需拷贝jar文件到集群master上,执行命令hadoop jarPackage.jar MainClassName即可分布式运行mapreduce程序。　　第三点就是： 推荐使用附一，实现了自动打jar包并上传，分布式执行的mapreduce程序。　　附一、 推荐使用此方法：实现了自动打jar包并上传，分布式执行的mapreduce程序：　　请先参考博文五篇：　　Hadoop作业提交分析（一）~~（五）　　引用博文的附件中EJob.java到你的工程中，然后main中添加如下方法和代码。　　public static File createPack() throws IOException {　　File jarFile = EJob.createTempJar("bin");　　ClassLoader classLoader = EJob.getClassLoader();　　Thread.currentThread().setContextClassLoader(classLoader);　　return jarFile;　　}　　在作业启动代码中使用打包：　　Job job = Job.getInstance(conf, "testAnaAction");　　添加：　　String jarPath = createPack().getPath();　　job.setJar(jarPath);　　即可实现直接run as java application 在windows跑分布式的mapreduce程序，不用手工上传jar文件。　　附二、得出结论的测试过程　　（未有空看书，只能通过愚笨的测试方法得出结论了）　　一. 直接通过windows上Eclipse右击main程序的java文件，然后"run as application"或选择hadoop插件"run on hadoop"来触发执行MapReduce程序的测试。　　1，如果不打jar包到进集群任意linux机器上，它报错如下：　　[work] 2012-06-25 15:42:47,360 - org.apache.hadoop.mapreduce.Job -10244 [main] INFO org.apache.hadoop.mapreduce.Job - map 0% reduce 0%　　[work] 2012-06-25 15:42:52,223 - org.apache.hadoop.mapreduce.Job -15107 [main] INFO org.apache.hadoop.mapreduce.Job - Task Id : attempt_1403517983686_0056_m_000000_0, Status : FAILED　　Error: java.lang.RuntimeException: java.lang.ClassNotFoundException: Class bookCount.BookCount$BookCountMapper not found　　at org.apache.hadoop.conf.Configuration.getClass(Configuration.java:1720)　　at org.apache.hadoop.mapreduce.task.JobContextImpl.getMapperClass(JobContextImpl.java:186)　　at org.apache.hadoop.mapred.MapTask.runNewMapper(MapTask.java:721)　　at org.apache.hadoop.mapred.MapTask.run(MapTask.java:339)　　at org.apache.hadoop.mapred.YarnChild$2.run(YarnChild.java:162)　　at java.security.AccessController.doPrivileged(Native Method)　　at javax.security.auth.Subject.doAs(Subject.java:415)　　at org.apache.hadoop.security.UserGroupInformation.doAs(UserGroupInformation.java:1491)　　at org.apache.hadoop.mapred.YarnChild.main(YarnChild.java:157)　　Caused by: java.lang.ClassNotFoundException: Class bookCount.BookCount$BookCountMapper not found　　at org.apache.hadoop.conf.Configuration.getClassByName(Configuration.java:1626)　　at org.apache.hadoop.conf.Configuration.getClass(Configuration.java:1718)　　... 8 more　　# Error:后重复三次　　2012-06-25 15:44:53,234 - org.apache.hadoop.mapreduce.Job -37813 [main] INFO org.apache.hadoop.mapreduce.Job - map 100% reduce 100%　　现象就是：报错，无进度，无运行结果。　　　　2，拷贝jar包到“只是”集群master的$HADOOP_HOME/share/hadoop/mapreduce/目录上，直接通过windows的eclipse "run as application"和通过hadoop插件"run on hadoop"来触发执行，它报错同上。　　现象就是：报错，无进度，无运行结果。　　3，拷贝jar包到集群某些slave的$HADOOP_HOME/share/hadoop/mapreduce/目录上，直接通过windows的eclipse "run as application"和通过hadoop插件"run on hadoop"来触发执行　　和报错：　　Error: java.lang.RuntimeException: java.lang.ClassNotFoundException: Class bookCount.BookCount$BookCountMapper not found　　at org.apache.hadoop.conf.Configuration.getClass(Configuration.java:1720)　　at org.apache.hadoop.mapreduce.task.JobContextImpl.getMapperClass(JobContextImpl.java:186)　　和报错：　　Error: java.lang.RuntimeException: java.lang.ClassNotFoundException: Class bookCount.BookCount$BookCountReducer not found　　　　现象就是：有报错，但仍然有进度，有运行结果。　　4，拷贝jar包到集群所有slave的$HADOOP_HOME/share/hadoop/mapreduce/目录上，直接通过windows的eclipse "run as application"和通过hadoop插件"run on hadoop"来触发执行：　　现象就是：无报错，有进度，有运行结果。　　第一点结论就是： windows上执行mapreduce，必须打jar包到所有slave节点才能正确分布式运行mapreduce程序。　　二 在Linux上的通过以下命令触发MapReduce程序的测试。　　hadoop jar $HADOOP_HOME/share/hadoop/mapreduce/bookCount.jar bookCount.BookCount　　　　1，只拷贝到master，在master上执行。　　现象就是：无报错，有进度，有运行结果。　　2，拷贝随便一个slave节点,在slave上执行。　　现象就是：无报错，有进度，有运行结果。　　但某些节点上运行会报错如下，且运行结果。：　　14/06/25 16:44:02 INFO mapreduce.JobSubmitter: Cleaning up the staging area /tmp/hadoop-yarn/staging/hduser/.staging/job_1403517983686_0071　　Exception in thread "main" java.lang.NoSuchFieldError: DEFAULT_MAPREDUCE_APPLICATION_CLASSPATH　　at org.apache.hadoop.mapreduce.v2.util.MRApps.setMRFrameworkClasspath(MRApps.java:157)　　at org.apache.hadoop.mapreduce.v2.util.MRApps.setClasspath(MRApps.java:198)　　at org.apache.hadoop.mapred.YARNRunner.createApplicationSubmissionContext(YARNRunner.java:443)　　at org.apache.hadoop.mapred.YARNRunner.submitJob(YARNRunner.java:283)　　at org.apache.hadoop.mapreduce.JobSubmitter.submitJobInternal(JobSubmitter.java:415)　　at org.apache.hadoop.mapreduce.Job$10.run(Job.java:1268)　　at org.apache.hadoop.mapreduce.Job$10.run(Job.java:1265)　　at java.security.AccessController.doPrivileged(Native Method)　　at javax.security.auth.Subject.doAs(Subject.java:415)　　at org.apache.hadoop.security.UserGroupInformation.doAs(UserGroupInformation.java:1491)　　at org.apache.hadoop.mapreduce.Job.submit(Job.java:1265)　　at org.apache.hadoop.mapreduce.Job.waitForCompletion(Job.java:1286)　　at com.etrans.anaSpeed.AnaActionMr.run(AnaActionMr.java:207)　　at org.apache.hadoop.util.ToolRunner.run(ToolRunner.java:70)　　at com.etrans.anaSpeed.AnaActionMr.main(AnaActionMr.java:44)　　at sun.reflect.NativeMethodAccessorImpl.invoke0(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.hadoop.util.RunJar.main(RunJar.java:212)　　第二点结论就是： Linux上，只需拷贝jar文件到集群master上,执行命令hadoop jarPackage.jar MainClassName即可分布式运行mapreduce程序。

你好!红枫Red maple

MapReduce极大地方便了编程人员在不会分布式并行编程的情况下，将自己的程序运行在分布式系统上。MapReduce保证结果文件中key的唯一性的方法为：1、打开Hadoop集群，打开主机master的终端，输入【ifconfig】命令查看主机IP地址。2、使用SecureCRT软件连接到Hadoop集群的主机。3、首先进入到hadoop目录下的bin目录下，因为要将代码文件上传到这个目录下，所以先要打开这个目录，然后输入【rz】命令准备上传代码文件。4、选中已经写好的两个代码文件，然后点击【添加】，然后点击【确定】开始文件的上传。5、在软件中观察上传进度，上传成功之后就是下图中的显示。6、运行结果如下图。注意事项：MapReduce借助于函数式程序设计语言Lisp的设计思想，提供了一种简便的并行程序设计方法，用Map和Reduce两个函数编程实现基本的并行计算任务，提供了抽象的操作和并行编程接口，以简单方便地完成大规模数据的编程和计算处理。

大数据的时代， 到处张嘴闭嘴都是Hadoop, MapReduce, 不跟上时代怎么行？ 可是对一个hadoop的新手， 写一个属于自己的MapReduce程序还是小有点难度的， 需要建立一个maven项目， 还要搞清楚各种库的依赖， 再加上编译运行， 基本上头大两圈了吧。 这也使得很多只是想简单了解一下MapReduce的人望而却步。　　本文会教你如何用最快最简单的方法编写和运行一个属于自己的MapReduce程序， let"s go!　　首先有两个前提：　　1. 有一个已经可以运行的hadoop 集群（也可以是伪分布系统)， 上面的hdfs和mapreduce工作正常 （这个真的是最基本的了， 不再累述， 不会的请参考 http://hadoop.apache.org/docs/current/)　　2. 集群上安装了JDK (编译运行时会用到）　　正式开始　　1. 首先登入hadoop 集群里面的一个节点， 创建一个java源文件， 偷懒起见， 基本盗用官方的word count (因为本文的目的是教会你如何快编写和运行一个MapReduce程序， 而不是如何写好一个功能齐全的MapReduce程序）　　内容如下：　　import java.io.IOException;import java.util.StringTokenizer;import org.apache.hadoop.conf.Configuration;import org.apache.hadoop.fs.Path;import org.apache.hadoop.io.IntWritable;import org.apache.hadoop.io.Text;import org.apache.hadoop.mapreduce.Job;import org.apache.hadoop.mapreduce.Mapper;import org.apache.hadoop.mapreduce.Reducer;import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;import org.apache.hadoop.util.GenericOptionsParser;public class myword { public static class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable>{ private final static IntWritable one = new IntWritable(1); private Text word = new Text(); public void map(Object key, Text value, Context context ) throws IOException, InterruptedException { StringTokenizer itr = new StringTokenizer(value.toString()); while (itr.hasMoreTokens()) { word.set(itr.nextToken()); context.write(word, one); } } } public static class IntSumReducer extends Reducer<Text,IntWritable,Text,IntWritable> { private IntWritable result = new IntWritable(); public void reduce(Text key, Iterable<IntWritable> values, Context context ) throws IOException, InterruptedException { int sum = 0; for (IntWritable val : values) { sum += val.get(); } result.set(sum); context.write(key, result); } } public static void main(String[] args) throws Exception { Configuration conf = new Configuration(); String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs(); if (otherArgs.length != 2) { System.err.println("Usage: wordcount <in> <out>"); System.exit(2); } Job job = new Job(conf, "word count"); job.setJarByClass(myword.class); job.setMapperClass(TokenizerMapper.class); job.setCombinerClass(IntSumReducer.class); job.setReducerClass(IntSumReducer.class); job.setOutputKeyClass(Text.class); job.setOutputValueClass(IntWritable.class); FileInputFormat.addInputPath(job, new Path(otherArgs[0])); FileOutputFormat.setOutputPath(job, new Path(otherArgs[1])); System.exit(job.waitForCompletion(true) ? 0 : 1); }}　　与官方版本相比， 主要做了两处修改　　1） 为了简单起见，去掉了开头的 package org.apache.hadoop.examples;　　2） 将类名从 WordCount 改为 myword, 以体现是我们自己的工作成果 :)　　2. 拿到hadoop 运行的class path, 主要为编译所用　　运行命令　　hadoop classpath　　保存打出的结果，本文用的hadoop 版本是Pivotal 公司的Pivotal hadoop, 例子：　　/etc/gphd/hadoop/conf:/usr/lib/gphd/hadoop/lib/*:/usr/lib/gphd/hadoop/.//*:/usr/lib/gphd/hadoop-hdfs/./:/usr/lib/gphd/hadoop-hdfs/lib/*:/usr/lib/gphd/hadoop-hdfs/.//*:/usr/lib/gphd/hadoop-yarn/lib/*:/usr/lib/gphd/hadoop-yarn/.//*:/usr/lib/gphd/hadoop-mapreduce/lib/*:/usr/lib/gphd/hadoop-mapreduce/.//*::/etc/gphd/pxf/conf::/usr/lib/gphd/pxf/pxf-core.jar:/usr/lib/gphd/pxf/pxf-api.jar:/usr/lib/gphd/publicstage:/usr/lib/gphd/gfxd/lib/gemfirexd.jar::/usr/lib/gphd/zookeeper/zookeeper.jar:/usr/lib/gphd/hbase/lib/hbase-common.jar:/usr/lib/gphd/hbase/lib/hbase-protocol.jar:/usr/lib/gphd/hbase/lib/hbase-client.jar:/usr/lib/gphd/hbase/lib/hbase-thrift.jar:/usr/lib/gphd/hbase/lib/htrace-core-2.01.jar:/etc/gphd/hbase/conf::/usr/lib/gphd/hive/lib/hive-service.jar:/usr/lib/gphd/hive/lib/libthrift-0.9.0.jar:/usr/lib/gphd/hive/lib/hive-metastore.jar:/usr/lib/gphd/hive/lib/libfb303-0.9.0.jar:/usr/lib/gphd/hive/lib/hive-common.jar:/usr/lib/gphd/hive/lib/hive-exec.jar:/usr/lib/gphd/hive/lib/postgresql-jdbc.jar:/etc/gphd/hive/conf::/usr/lib/gphd/sm-plugins/*:　　3. 编译　　运行命令　　javac -classpath xxx ./myword.java　　xxx部分就是上一步里面取到的class path　　运行完此命令后， 当前目录下会生成一些.class 文件， 例如：　　myword.class myword$IntSumReducer.class myword$TokenizerMapper.class　　4. 将class文件打包成.jar文件　　运行命令　　jar -cvf myword.jar ./*.class　　至此, 目标jar 文件成功生成　　5. 准备一些文本文件， 上传到hdfs, 以做word count的input　　例子：　　随意创建一些文本文件， 保存到mapred_test 文件夹　　运行命令　　hadoop fs -put ./mapred_test/　　确保此文件夹成功上传到hdfs 当前用户根目录下　　6. 运行我们的程序　　运行命令　　hadoop jar ./myword.jar myword mapred_test output　　顺利的话， 此命令会正常进行， 一个MapReduce job 会开始工作， 输出的结果会保存在 hdfs 当前用户根目录下的output 文件夹里面。　　至此大功告成！　　如果还需要更多的功能， 我们可以修改前面的源文件以达到一个真正有用的MapReduce job。　　但是原理大同小异， 练手的话， 基本够了。　　一个抛砖引玉的简单例子， 欢迎板砖。

　　大数据的时代， 到处张嘴闭嘴都是Hadoop, MapReduce, 不跟上时代怎么行？ 可是对一个hadoop的新手， 写一个属于自己的MapReduce程序还是小有点难度的， 需要建立一个maven项目， 还要搞清楚各种库的依赖， 再加上编译运行， 基本上头大两圈了吧。 这也使得很多只是想简单了解一下MapReduce的人望而却步。　　本文会教你如何用最快最简单的方法编写和运行一个属于自己的MapReduce程序， let"s go!　　首先有两个前提：　　1. 有一个已经可以运行的hadoop 集群（也可以是伪分布系统)， 上面的hdfs和mapreduce工作正常 （这个真的是最基本的了， 不再累述， 不会的请参考 http://hadoop.apache.org/docs/current/)　　2. 集群上安装了JDK (编译运行时会用到）　　正式开始　　1. 首先登入hadoop 集群里面的一个节点， 创建一个java源文件， 偷懒起见， 基本盗用官方的word count (因为本文的目的是教会你如何快编写和运行一个MapReduce程序， 而不是如何写好一个功能齐全的MapReduce程序）　　内容如下：　　view sourceprint?　　01.import java.io.IOException;　　02.import java.util.StringTokenizer;　　03.　　04.import org.apache.hadoop.conf.Configuration;　　05.import org.apache.hadoop.fs.Path;　　06.import org.apache.hadoop.io.IntWritable;　　07.import org.apache.hadoop.io.Text;　　08.import org.apache.hadoop.mapreduce.Job;　　09.import org.apache.hadoop.mapreduce.Mapper;　　10.import org.apache.hadoop.mapreduce.Reducer;　　11.import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;　　12.import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;　　13.import org.apache.hadoop.util.GenericOptionsParser;　　14.　　15.public class my<a href="http://www.it165.net/edu/ebg/" target="_blank" class="keylink">word</a> {　　16.　　17.public static class TokenizerMapper　　18.extends Mapper<Object, Text, Text, IntWritable>{　　19.　　20.private final static IntWritable one = new IntWritable(1);　　21.private Text word = new Text();　　22.　　23.public void map(Object key, Text value, Context context　　24.) throws IOException, InterruptedException {　　25.StringTokenizer itr = new StringTokenizer(value.toString());　　26.while (itr.hasMoreTokens()) {　　27.word.set(itr.nextToken());　　28.context.write(word, one);　　29.}　　30.}　　31.}　　32.　　33.public static class IntSumReducer　　34.extends Reducer<Text,IntWritable,Text,IntWritable> {　　35.private IntWritable result = new IntWritable();　　36.　　37.public void reduce(Text key, Iterable<IntWritable> values,　　38.Context context　　39.) throws IOException, InterruptedException {　　40.int sum = 0;　　41.for (IntWritable val : values) {　　42.sum += val.get();　　43.}　　44.result.set(sum);　　45.context.write(key, result);　　46.}　　47.}　　48.　　49.public static void main(String[] args) throws Exception {　　50.Configuration conf = new Configuration();　　51.String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();　　52.if (otherArgs.length != 2) {　　53.System.err.println("Usage: wordcount <in> <out>");　　54.System.exit(2);　　55.}　　56.Job job = new Job(conf, "word count");　　57.job.setJarByClass(myword.class);　　58.job.setMapperClass(TokenizerMapper.class);　　59.job.setCombinerClass(IntSumReducer.class);　　60.job.setReducerClass(IntSumReducer.class);　　61.job.setOutputKeyClass(Text.class);　　62.job.setOutputValueClass(IntWritable.class);　　63.FileInputFormat.addInputPath(job, new Path(otherArgs[0]));　　64.FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));　　65.System.exit(job.waitForCompletion(true) ? 0 : 1);　　66.}　　67.}　　与官方版本相比， 主要做了两处修改　　1） 为了简单起见，去掉了开头的 package org.apache.hadoop.examples;　　2） 将类名从 WordCount 改为 myword, 以体现是我们自己的工作成果 :)　　2. 拿到hadoop 运行的class path, 主要为编译所用　　运行命令　　view sourceprint?　　1.hadoop classpath　　保存打出的结果，本文用的hadoop 版本是Pivotal 公司的Pivotal hadoop, 例子：　　view sourceprint?　　1./etc/gphd/hadoop/conf:/usr/lib/gphd/hadoop/lib/*:/usr/lib/gphd/hadoop/.//*:/usr/lib/gphd/hadoop-hdfs/./:/usr/lib/gphd/hadoop-hdfs/lib/*:/usr/lib/gphd/hadoop-hdfs/.//*:/usr/lib/gphd/hadoop-yarn/lib/*:/usr/lib/gphd/hadoop-yarn/.//*:/usr/lib/gphd/hadoop-mapreduce/lib/*:/usr/lib/gphd/hadoop-mapreduce/.//*::/etc/gphd/pxf/conf::/usr/lib/gphd/pxf/pxf-core.jar:/usr/lib/gphd/pxf/pxf-api.jar:/usr/lib/gphd/publicstage:/usr/lib/gphd/gfxd/lib/gemfirexd.jar::/usr/lib/gphd/zookeeper/zookeeper.jar:/usr/lib/gphd/hbase/lib/hbase-common.jar:/usr/lib/gphd/hbase/lib/hbase-protocol.jar:/usr/lib/gphd/hbase/lib/hbase-client.jar:/usr/lib/gphd/hbase/lib/hbase-thrift.jar:/usr/lib/gphd/hbase/lib/htrace-core-2.01.jar:/etc/gphd/hbase/conf::/usr/lib/gphd/hive/lib/hive-service.jar:/usr/lib/gphd/hive/lib/libthrift-0.9.0.jar:/usr/lib/gphd/hive/lib/hive-metastore.jar:/usr/lib/gphd/hive/lib/libfb303-0.9.0.jar:/usr/lib/gphd/hive/lib/hive-common.jar:/usr/lib/gphd/hive/lib/hive-exec.jar:/usr/lib/gphd/hive/lib/postgresql-jdbc.jar:/etc/gphd/hive/conf::/usr/lib/gphd/sm-plugins/*:　　3. 编译　　运行命令　　view sourceprint?　　1.javac -classpath xxx ./myword.java　　xxx部分就是上一步里面取到的class path　　运行完此命令后， 当前目录下会生成一些.class 文件， 例如：　　myword.class myword$IntSumReducer.class myword$TokenizerMapper.class　　4. 将class文件打包成.jar文件　　运行命令　　view sourceprint?　　1.jar -cvf myword.jar ./*.class　　至此, 目标jar 文件成功生成　　5. 准备一些文本文件， 上传到hdfs, 以做word count的input　　例子：　　随意创建一些文本文件， 保存到mapred_test 文件夹　　运行命令　　view sourceprint?　　1.hadoop fs -put ./mapred_test/　　确保此文件夹成功上传到hdfs 当前用户根目录下　　6. 运行我们的程序　　运行命令　　view sourceprint?　　1.hadoop jar ./myword.jar myword mapred_test output　　顺利的话， 此命令会正常进行， 一个MapReduce job 会开始工作， 输出的结果会保存在 hdfs 当前用户根目录下的output 文件夹里面。　　至此大功告成！　　如果还需要更多的功能， 我们可以修改前面的源文件以达到一个真正有用的MapReduce job。　　但是原理大同小异， 练手的话， 基本够了。　　一个抛砖引玉的简单例子， 欢迎板砖。

什么是Map/Reduce，看下面的各种解释：　　(1)MapReduce是hadoop的核心组件之一，hadoop要分布式包括两部分，一是分布式文件系统hdfs,一部是分布式计算框，就是mapreduce,缺一不可，也就是说，可以通过mapreduce很容易在hadoop平台上进行分布式的计算编程。　　(2)Mapreduce是一种编程模型，是一种编程方法，抽象理论。　　(3)下面是一个关于一个程序员是如何个妻子讲解什么是MapReduce？文章很长请耐心的看。　　我问妻子：“你真的想要弄懂什么是MapReduce？” 她很坚定的回答说“是的”。 因此我问道：　　我： 你是如何准备洋葱辣椒酱的？（以下并非准确食谱，请勿在家尝试）　　妻子： 我会取一个洋葱，把它切碎，然后拌入盐和水，最后放进混合研磨机里研磨。这样就能得到洋葱辣椒酱了。　　妻子： 但这和MapReduce有什么关系？　　我： 你等一下。让我来编一个完整的情节，这样你肯定可以在15分钟内弄懂MapReduce.　　妻子： 好吧。　　我：现在，假设你想用薄荷、洋葱、番茄、辣椒、大蒜弄一瓶混合辣椒酱。你会怎么做呢？　　妻子： 我会取薄荷叶一撮，洋葱一个，番茄一个，辣椒一根，大蒜一根，切碎后加入适量的盐和水，再放入混合研磨机里研磨，这样你就可以得到一瓶混合辣椒酱了。　　我： 没错，让我们把MapReduce的概念应用到食谱上。Map和Reduce其实是两种操作，我来给你详细讲解下。　　Map（映射）: 把洋葱、番茄、辣椒和大蒜切碎，是各自作用在这些物体上的一个Map操作。所以你给Map一个洋葱，Map就会把洋葱切碎。 同样的，你把辣椒，大蒜和番茄一一地拿给Map，你也会得到各种碎块。 所以，当你在切像洋葱这样的蔬菜时，你执行就是一个Map操作。 Map操作适用于每一种蔬菜，它会相应地生产出一种或多种碎块，在我们的例子中生产的是蔬菜块。在Map操作中可能会出现有个洋葱坏掉了的情况，你只要把坏洋葱丢了就行了。所以，如果出现坏洋葱了，Map操作就会过滤掉坏洋葱而不会生产出任何的坏洋葱块。　　Reduce（化简）:在这一阶段，你将各种蔬菜碎都放入研磨机里进行研磨，你就可以得到一瓶辣椒酱了。这意味要制成一瓶辣椒酱，你得研磨所有的原料。因此，研磨机通常将map操作的蔬菜碎聚集在了一起。　　妻子： 所以，这就是MapReduce?　　我： 你可以说是，也可以说不是。 其实这只是MapReduce的一部分，MapReduce的强大在于分布式计算。　　妻子： 分布式计算？ 那是什么？请给我解释下吧。　　我： 没问题。　　我： 假设你参加了一个辣椒酱比赛并且你的食谱赢得了最佳辣椒酱奖。得奖之后，辣椒酱食谱大受欢迎，于是你想要开始出售自制品牌的辣椒酱。假设你每天需要生产10000瓶辣椒酱，你会怎么办呢？　　妻子： 我会找一个能为我大量提供原料的供应商。　　我：是的..就是那样的。那你能否独自完成制作呢？也就是说，独自将原料都切碎？ 仅仅一部研磨机又是否能满足需要？而且现在，我们还需要供应不同种类的辣椒酱，像洋葱辣椒酱、青椒辣椒酱、番茄辣椒酱等等。　　妻子： 当然不能了，我会雇佣更多的工人来切蔬菜。我还需要更多的研磨机，这样我就可以更快地生产辣椒酱了。　　我：没错，所以现在你就不得不分配工作了，你将需要几个人一起切蔬菜。每个人都要处理满满一袋的蔬菜，而每一个人都相当于在执行一个简单的Map操作。每一个人都将不断的从袋子里拿出蔬菜来，并且每次只对一种蔬菜进行处理，也就是将它们切碎，直到袋子空了为止。　　这样，当所有的工人都切完以后，工作台（每个人工作的地方）上就有了洋葱块、番茄块、和蒜蓉等等。　　妻子：但是我怎么会制造出不同种类的番茄酱呢？　　我：现在你会看到MapReduce遗漏的阶段—搅拌阶段。MapReduce将所有输出的蔬菜碎都搅拌在了一起，这些蔬菜碎都是在以key为基础的 map操作下产生的。搅拌将自动完成，你可以假设key是一种原料的名字，就像洋葱一样。 所以全部的洋葱keys都会搅拌在一起，并转移到研磨洋葱的研磨器里。这样，你就能得到洋葱辣椒酱了。同样地，所有的番茄也会被转移到标记着番茄的研磨器里，并制造出番茄辣椒酱。　　（4）上面都是从理论上来说明什么是MapReduce，那么咱们在MapReduce产生的过程和代码的角度来理解这个问题。　　如果想统计下过去10年计算机论文出现最多的几个单词，看看大家都在研究些什么，那收集好论文后，该怎么办呢？　　方法一：　　我可以写一个小程序，把所有论文按顺序遍历一遍，统计每一个遇到的单词的出现次数，最后就可以知道哪几个单词最热门了。 这种方法在数据集比较小时，是非常有效的，而且实现最简单，用来解决这个问题很合适。　　方法二：　　写一个多线程程序，并发遍历论文。　　这个问题理论上是可以高度并发的，因为统计一个文件时不会影响统计另一个文件。当我们的机器是多核或者多处理器，方法二肯定比方法一高效。但是写一个多线程程序要比方法一困难多了，我们必须自己同步共享数据，比如要防止两个线程重复统计文件。　　方法三：　　把作业交给多个计算机去完成。　　我们可以使用方法一的程序，部署到N台机器上去，然后把论文集分成N份，一台机器跑一个作业。这个方法跑得足够快，但是部署起来很麻烦，我们要人工把程序copy到别的机器，要人工把论文集分开，最痛苦的是还要把N个运行结果进行整合（当然我们也可以再写一个程序）。　　方法四：　　让MapReduce来帮帮我们吧！　　MapReduce本质上就是方法三，但是如何拆分文件集，如何copy程序，如何整合结果这些都是框架定义好的。我们只要定义好这个任务（用户程序），其它都交给MapReduce。　　map函数和reduce函数　　map函数和reduce函数是交给用户实现的，这两个函数定义了任务本身。　　map函数：接受一个键值对（key-value pair），产生一组中间键值对。MapReduce框架会将map函数产生的中间键值对里键相同的值传递给一个reduce函数。　　reduce函数：接受一个键，以及相关的一组值，将这组值进行合并产生一组规模更小的值（通常只有一个或零个值）。　　统计词频的MapReduce函数的核心代码非常简短，主要就是实现这两个函数。　　map(String key, String value):　　// key: document name　　// value: document contents　　for each word w in value:　　EmitIntermediate(w, "1");　　reduce(String key, Iterator values):　　// key: a word　　// values: a list of counts　　int result = 0;　　for each v in values:　　result += ParseInt(v);　　Emit(AsString(result));　　在统计词频的例子里，map函数接受的键是文件名，值是文件的内容，map逐个遍历单词，每遇到一个单词w，就产生一个中间键值对<w, "1">，这表示单词w咱又找到了一个；MapReduce将键相同（都是单词w）的键值对传给reduce函数，这样reduce函数接受的键就是单词w，值是一串"1"（最基本的实现是这样，但可以优化），个数等于键为w的键值对的个数，然后将这些“1”累加就得到单词w的出现次数。最后这些单词的出现次数会被写到用户定义的位置，存储在底层的分布式存储系统（GFS或HDFS）。转载

什么是Map/Reduce，看下面的各种解释：　　(1)MapReduce是hadoop的核心组件之一，hadoop要分布式包括两部分，一是分布式文件系统hdfs,一部是分布式计算框，就是mapreduce,缺一不可，也就是说，可以通过mapreduce很容易在hadoop平台上进行分布式的计算编程。　　(2)Mapreduce是一种编程模型，是一种编程方法，抽象理论。　　(3)下面是一个关于一个程序员是如何个妻子讲解什么是MapReduce？文章很长请耐心的看。　　我问妻子：“你真的想要弄懂什么是MapReduce？” 她很坚定的回答说“是的”。 因此我问道：　　我： 你是如何准备洋葱辣椒酱的？（以下并非准确食谱，请勿在家尝试）　　妻子： 我会取一个洋葱，把它切碎，然后拌入盐和水，最后放进混合研磨机里研磨。这样就能得到洋葱辣椒酱了。　　妻子： 但这和MapReduce有什么关系？　　我： 你等一下。让我来编一个完整的情节，这样你肯定可以在15分钟内弄懂MapReduce.　　妻子： 好吧。　　我：现在，假设你想用薄荷、洋葱、番茄、辣椒、大蒜弄一瓶混合辣椒酱。你会怎么做呢？　　妻子： 我会取薄荷叶一撮，洋葱一个，番茄一个，辣椒一根，大蒜一根，切碎后加入适量的盐和水，再放入混合研磨机里研磨，这样你就可以得到一瓶混合辣椒酱了。　　我： 没错，让我们把MapReduce的概念应用到食谱上。Map和Reduce其实是两种操作，我来给你详细讲解下。　　Map（映射）: 把洋葱、番茄、辣椒和大蒜切碎，是各自作用在这些物体上的一个Map操作。所以你给Map一个洋葱，Map就会把洋葱切碎。 同样的，你把辣椒，大蒜和番茄一一地拿给Map，你也会得到各种碎块。 所以，当你在切像洋葱这样的蔬菜时，你执行就是一个Map操作。 Map操作适用于每一种蔬菜，它会相应地生产出一种或多种碎块，在我们的例子中生产的是蔬菜块。在Map操作中可能会出现有个洋葱坏掉了的情况，你只要把坏洋葱丢了就行了。所以，如果出现坏洋葱了，Map操作就会过滤掉坏洋葱而不会生产出任何的坏洋葱块。　　Reduce（化简）:在这一阶段，你将各种蔬菜碎都放入研磨机里进行研磨，你就可以得到一瓶辣椒酱了。这意味要制成一瓶辣椒酱，你得研磨所有的原料。因此，研磨机通常将map操作的蔬菜碎聚集在了一起。　　妻子： 所以，这就是MapReduce?　　我： 你可以说是，也可以说不是。 其实这只是MapReduce的一部分，MapReduce的强大在于分布式计算。　　妻子： 分布式计算？ 那是什么？请给我解释下吧。　　我： 没问题。　　我： 假设你参加了一个辣椒酱比赛并且你的食谱赢得了最佳辣椒酱奖。得奖之后，辣椒酱食谱大受欢迎，于是你想要开始出售自制品牌的辣椒酱。假设你每天需要生产10000瓶辣椒酱，你会怎么办呢？　　妻子： 我会找一个能为我大量提供原料的供应商。　　我：是的..就是那样的。那你能否独自完成制作呢？也就是说，独自将原料都切碎？ 仅仅一部研磨机又是否能满足需要？而且现在，我们还需要供应不同种类的辣椒酱，像洋葱辣椒酱、青椒辣椒酱、番茄辣椒酱等等。　　妻子： 当然不能了，我会雇佣更多的工人来切蔬菜。我还需要更多的研磨机，这样我就可以更快地生产辣椒酱了。　　我：没错，所以现在你就不得不分配工作了，你将需要几个人一起切蔬菜。每个人都要处理满满一袋的蔬菜，而每一个人都相当于在执行一个简单的Map操作。每一个人都将不断的从袋子里拿出蔬菜来，并且每次只对一种蔬菜进行处理，也就是将它们切碎，直到袋子空了为止。　　这样，当所有的工人都切完以后，工作台（每个人工作的地方）上就有了洋葱块、番茄块、和蒜蓉等等。　　妻子：但是我怎么会制造出不同种类的番茄酱呢？　　我：现在你会看到MapReduce遗漏的阶段—搅拌阶段。MapReduce将所有输出的蔬菜碎都搅拌在了一起，这些蔬菜碎都是在以key为基础的 map操作下产生的。搅拌将自动完成，你可以假设key是一种原料的名字，就像洋葱一样。 所以全部的洋葱keys都会搅拌在一起，并转移到研磨洋葱的研磨器里。这样，你就能得到洋葱辣椒酱了。同样地，所有的番茄也会被转移到标记着番茄的研磨器里，并制造出番茄辣椒酱。　　（4）上面都是从理论上来说明什么是MapReduce，那么咱们在MapReduce产生的过程和代码的角度来理解这个问题。　　如果想统计下过去10年计算机论文出现最多的几个单词，看看大家都在研究些什么，那收集好论文后，该怎么办呢？　　方法一：　　我可以写一个小程序，把所有论文按顺序遍历一遍，统计每一个遇到的单词的出现次数，最后就可以知道哪几个单词最热门了。 这种方法在数据集比较小时，是非常有效的，而且实现最简单，用来解决这个问题很合适。　　方法二：　　写一个多线程程序，并发遍历论文。　　这个问题理论上是可以高度并发的，因为统计一个文件时不会影响统计另一个文件。当我们的机器是多核或者多处理器，方法二肯定比方法一高效。但是写一个多线程程序要比方法一困难多了，我们必须自己同步共享数据，比如要防止两个线程重复统计文件。　　方法三：　　把作业交给多个计算机去完成。　　我们可以使用方法一的程序，部署到N台机器上去，然后把论文集分成N份，一台机器跑一个作业。这个方法跑得足够快，但是部署起来很麻烦，我们要人工把程序copy到别的机器，要人工把论文集分开，最痛苦的是还要把N个运行结果进行整合（当然我们也可以再写一个程序）。

Locus是一个很好的户外导航软件。如果我们已经熟悉了Oruxmaps的使用，那么不妨再来学习下Locus（以下简称Lo）的使用。毕竟，Oruxmaps（下文简称or）和Lo的地图是相通的。即通用地图。总体上，Lo和or这两个导航软件，各有千秋。

locusmap 安装初始化问题如下1.先安装钛备份 "Titanium Backup v7.0.2 MoDaCo Plus Patched.apk"解压 "TitaniumBackup-3.2.0_7.0.2_20150210.rar" 把解压出来的三个文件复制到 "TitaniumBackup" 运行钛备份用钛备份恢复 "程序+数据" 恢复完成后进行下一步3.运行 "Locus3.2.0" 如果正常运行进行下一步4.安装 "Locus Map Pro - Outdoor GPS v3.6.2.apk" （或以上版本，最新官版即可），启动Lo362版，如果正常启动，则成功安装Pro版，如果不成功，等待3-5分钟后再次启动，若还是不行，则重复上述过程。

HashMap的工作原理是近年来常见的Java面试题。几乎每个Java程序员都知道HashMap，都知道哪里要用HashMap，知道HashTable和HashMap之间的区别，那么为何这道面试题如此特殊呢？是因为这道题考察的深度很深。这题经常出现在高级或中高级面试中。投资银行更喜欢问这个问题，甚至会要求你实现HashMap来考察你的编程能力。ConcurrentHashMap和其它同步集合的引入让这道题变得更加复杂。让我们开始探索的旅程吧！

HashMap的实现原理：首先有一个每个元素都是链表（可能表述不准确）的数组，当添加一个元素（key-value）时，就首先计算元素key的hash值，以此确定插入数组中的位置，但是可能存在同一hash值的元素已经被放在数组同一位置了。这时就添加到同一hash值的元素的后面，他们在数组的同一位置，但是形成了链表，同一各链表上的Hash值是相同的，所以说数组存放的是链表。而当链表长度太长时，链表就转换为红黑树，这样大大提高了查找的效率。当链表数组的容量超过初始容量的0.75时，再散列将链表数组扩大2倍，把原链表数组的搬移到新的数组中。扩展资料HashMap和Hashtable的区别1、HashMap可以接受为null的键值（key）和值（value），而Hashtable则不行。2、HashMap是非synchronized，而Hashtable是synchronized。意味着Hashtable是线程安全的，多个线程可以共享一个Hashtable；而如果没有正确的同步的话，多个线程是不能共享HashMap的。3、由于Hashtable是线程安全的也是synchronized，所以在单线程环境下它比HashMap要慢。如果不需要同步，只需要单一线程，那么使用HashMap性能要好过Hashtable。5、HashMap不能保证随着时间的推移Map中的元素次序是不变的。

HashMap的实现原理：首先有一个每个元素都是链表（可能表述不准确）的数组，当添加一个元素（key-value）时，就首先计算元素key的hash值，以此确定插入数组中的位置，但是可能存在同一hash值的元素已经被放在数组同一位置了。这时就添加到同一hash值的元素的后面，他们在数组的同一位置，但是形成了链表，同一各链表上的Hash值是相同的，所以说数组存放的是链表。而当链表长度太长时，链表就转换为红黑树，这样大大提高了查找的效率。当链表数组的容量超过初始容量的0.75时，再散列将链表数组扩大2倍，把原链表数组的搬移到新的数组中。HashMap和哈希表的关系1、HashMap可以接受为null的键值（key）和值（value），而Hashtable则不行。2、HashMap是非synchronized，而Hashtable是synchronized。意味着Hashtable是线程安全的，多个线程可以共享一个Hashtable；而如果没有正确的同步的话，多个线程是不能共享HashMap的。3、由于Hashtable是线程安全的也是synchronized，所以在单线程环境下它比HashMap要慢。如果不需要同步，只需要单一线程，那么使用HashMap性能要好过Hashtable。5、HashMap不能保证随着时间的推移Map中的元素次序是不变的。

好唔好

MAP和MOP是逻辑学中的两个概念，MAP是最大可能性推理，MOP是最小可能性推理。MAP和MOP之间的关系是，MAP是一种推理方法，它从一组可能的结果中选择最有可能的结果；而MOP则是一种推理方法，它从一组可能的结果中选择最不可能的结果。

用于安卓（系统）的百度英语地图

其实这个说明只是正版的。（盗版党掩面而过）桌面有游戏的快捷方式吧，右键=>属性=>快捷方式=>查找目标

先安装辅助工具ZXPInstaller：Win用户运行：ZXPInstaller.Setup.exe安装；；Mac用户运行：ZXPInstaller.dmg；安装安装成功后打开ZXPInstaller；然后下载3d-map-generator-geo.zip压缩包；将3d-map-generator-geo.zip/01_panel里的3d_map_generator_2_CC.zxp（根据PS版本对应的插件版本）文件拖到ZXPInstaller上完成安装；安装完成后，你就可以在 PS的 窗口 > 扩展功能 中找到3D Map Generator Geo 了。

delphi7以后的版本不清楚，在这个版本中可以用TList代替，Items中可以添加任意对象和结构体指针。取出来的内容必须强制转换，没有泛型的定义。

《使争议解决机制更有效》后，OECD于2016年10月发布了同行审议（peer review）文件，其四份文件1之一的评估方法（Assessment Methodology）为同行审议和监督进程编制了具体的程序和指南，并将其分为两个阶段进行：第一阶段旨在评估成员国MAP相关法律框架的实践应用情况以及对第14项行动计划最低标准的执行情况，第二阶段侧重于监测各国如何对在第一阶段中发现的不足和提出的建议进行回应。自此，在2017年9月至2018年8月期间，OECD依次发布了四批同行审议报告（“OECD报告”），对包括全球几大经济体在内的29个国家，从防止争议、MAP通道的可获取性、MAP案件的解决以及MAP协议的执行等四个方面对各国执行最低标准的情况进行考核与审议，旨在通过这一举措使得争议解决机制更有效。

SMAP所属的饭岛经纪人，在杰尼斯事务所的权力斗争中失败，决定离开事务所单独发展。SMAP五人中只有木村拓哉坚持留在杰尼斯事务所，媒体以此为理由说木村拓哉的决定分裂了SMAP。不明真相的路人们纷纷被骗，木村拓哉和其他四人不和传闻盛行。然而前两天香取慎吾和木村拓哉被官方证实一起出席事务所后辈山下智久的演唱会，破解SMAP内部不和传闻，同时杰尼斯事务所的“SMAP自发解散”说法被打脸。此处附上两人出席山p演唱会证明：

音译歌词：YouOK?CheckOutYouAswecouldmysongisClonAswedriveweresungmydress.(IFELL……SOGOOD!!!)那翘乃路乃几天几你个那路过落我森你个大轮高你个老路组啊喊无吗肯老路那怒过啊喊拉过了米大无少几哭老拉老拉门大木摸门那过满拉秒门那素动那样一带叫工薪木大叫几哭大哭着社扑亲棵撒一龙几来恰能给哭了阔副能着新个拉狼几妈你NOKI那个BINGBINGBING到了BENGBENGBENG到了某新你那瞧那个要动动摸你阔都路多大秒他一生把她龙动动都要BENGBENGBENG撒吗能艘你到求大西BINGBINGBING多吗撒一里拉开扫YEAHYEAHYEAHYEAHYYEAHYYEAHHEIHEIOYEAHYEAHYEAHYEAHYEAHYEAH里头恩都撒拉恩嘎僧嘎肯路拉能哭路米素米大几那路撒拉哈几呀恩落怒巴掌怕了我秒撒恩一多一桥艘恼怒桥米多一几呀拉大秒里读比多要桥弄带多米就但闹怒包秒八宝桥到桥过扫滚过进八翁不多多拉扫几(EveryBodySAY!!!!)你NOKI那个BINGBINGBING到了BENGBENGBENG到了某新你那瞧那个要动动摸你阔都路多大秒他一生把她龙动动都要BENGBENGBENG撒吗能艘你到求大西BINGBINGBING多吗撒一里拉开扫(EveryBodySAY!!!!)NANANA那怒大古过老怒乃路无拖能给哭吗不乃路扫起那那怒大古过猛那无套老怒你古嘎路到吗那过乃扫接哭老开那内木几呀给目西哈买木嘎西北多拉袄桥素个袄扫几闹路毛里啊就包里哈无新跑袄扫几吗袄里C里刚忒那能扫一扫几你NOKI那个BINGBINGBING到了BENGBENGBENG到了某新你那瞧那个要动动摸你阔都路多大秒他一生把她龙动动都要BENGBENGBENG撒吗能艘你到求大西BINGBINGBING多吗撒一里拉开扫BINGBINGBING到了BENGBENGBENG(抓不另路桑MYDress)BINGBINGBING到了BENGBENGBENG(一色SING个哦被爱被按CHECK为MYPOINT)BINGBINGBING到了BENGBENGBENG(抓不另路桑MYDress)BINGBINGBING到了BENGBENGBENG(一色SING个哦被爱被按CHECK为MYPOINT)BINGBINGBING到了BENGBENGBENG(抓不另路桑MYDress)BINGBINGBIN

那天以后，忘记了飞翔点燃了信念，才能够看到阳光繁星点点，对岸的星空绚烂的明天，会比今天亮安静的夜 流动着 夜的光我已收藏 一丝丝的惊慌夜空翻越公园的小围墙我的心也吹着悲伤你话里的温度还透着彷徨你收回牵的手已经滚烫其实我并不坚强隐隐的痛很难伪装慢慢的还是渗透了胸膛那天以后，忘记了飞翔点燃了信念，才能够看到阳光温柔推开，通往明天的窗冬天的味道，在风里自由飘落安静的夜 流动着 夜的光我已收藏 一丝丝的惊慌夜空翻越公园的小围墙我的心也吹着悲伤你话里的温度还透着彷徨你收回牵的手早已滚烫那些话 还在眼眶？我的心夜夜碰撞？我的爱已经变成了行囊~那天以后，忘记了飞翔点燃了信念，才能够看到阳光繁星点点，对岸的星空绚烂的明天，会比今天亮那天以后，忘记了飞翔点燃了信念，才能够看到阳光繁星点点，对岸的星空绚烂的明天，会比今天亮

世界に一つだけの花 (世界中唯一仅有的花)歌手:SMAP作词:槇原敬之作曲:槇原敬之编辑:Natsuの风「NO.1にならなくてもいい もともと特别なOnly one」无法成为No.1也好 原本就是特别的only one花屋の店先に并んだ/排列在花店门口いろんな花を见ていた/看著各式各样的花ひとそれぞれ好みはあるけど/虽然人的喜好各有不同どれもみんなきれいだね/但是每一朵都很漂亮呢この中で谁が一番だなんて/在这当中谁最美丽争うこともしないで/没有如此的纷争バケツの中夸らしげに/在桶中夸耀般的しゃんと胸を张っている/绽开著挺起胸膛それなのに仆ら人间は/即使如此为何我们人类どうしてこうも比べたがる/却要如此互相比较呢?一人一人违うのにその中で/每人皆不尽相同一番になりたがる/却在那之中想成为第一名そうさ 仆らは/是啊 我们皆是世界に一つだけの花/世界中唯一仅有的花一人一人违う种を持つ/每个人都拥有的不同品种その花を咲かせることだけに/单纯地为了让那朵花盛开一生悬命になればいい/而努力著就好困ったように笑いながら/有著一边困扰著的笑容ずっと迷ってる人がいる/还迷惑著的人顽张って咲いた花はどれも/努力绽放的花朵无论哪一朵きれいだから仕方ないね/都那麽美丽 所以难以抉择やっと店から出てきた/终於走出了店外その人が抱えていた/那人拥抱著色とりどりの花束と/色彩艳丽的花束うれしそうな横颜/以及欣喜的侧脸名前も知らなかったけれど/虽然不知道你的名字あの日仆に笑颜をくれた/但给了那一日的我一个笑容谁も気づかないような场所で/有如在谁都不曾察觉的场所咲いてた花のように/盛开著的花儿一般そうさ 仆らも/是啊 我们皆是世界に一つだけの花/世界中唯一仅有的花一人一人违う种を持つ/每个人都拥有的不同品种その花を咲かせることだけに/单纯地为了让那朵花盛开一生悬命になればいい/而努力著就好小さい花や大きな花/无论小花或是大花一つとして同じものはないから/都不是相同之物NO.1にならなくてもいい/无法成为No.1也好もともと特别なOnly one/原本就是特别的only one

To be na i to ri no yo ni ha ba ta ki mo se zu飞べない鸟の様に羽ばたきもせずSi zu ka ni na ga re ru to ki wo mi te i ta静かに流れる时を见ていたHi bi wa re ta mo a i no yo ni ma ba ta ki mo se zuひび割れたモアイの様に瞬きもせずWu mi ni fu ri so so gu a me wo mi te i ta海に降り注ぐ雨を见ていたsay you trust me...so no ko to ba wo ki ku ta bi niその言叶を闻くたびにBo ku wa i ki no si ka ta o o mo i da se run da仆は息の仕方を思い出せるんだYu ra me ku ka ge wa sin ki ro uゆらめく影は蜃気楼Ta do ri tu ke ru to sin ji yo u辿り着けると信じようSo ba ni i te ho si iそばにいて欲しいHa na re na i de ho si i离れないで欲しいNe mu re na i yo ro wo ko e te眠れない夜を超えてI ma su gu so ko ni yu ku yo今すぐそこに行くよHi to tu na ga re bo si ne ga e ba ka e u ra si i no sa一つ流れ星 愿えば叶うらしいのさsay you trust me...ka na si mi no a me ga hu ri so so i de mo悲しみの雨が降り注いでもKo ko ni ta tte i run da to bo ku wa ci ka u yoここに立っているんだと仆は誓うよKu mo ga ha re ta so ra ni mi tu ke da no sa云が晴れた空に见つけたのさKa wa la zu so ko ni a ru hi to tu no se i za wo変わらずそこにある一つの星座をsay you trust me...ki mi no ko e wo ki ku ta bi ni bo ku wa君の声を闻くたびに仆はKo ko ni i ru i mi wo o mo i da se run daここにいる意味を思いだせるんだYu ra me ku ka ge wa sin ki ro uゆらめく影は蜃気楼Ta do ri tu ke ru to sin ji yo u辿り着けると信じようSo ba ni i te ho si iそばにいて欲しいHa na re na i de ho si i离れないで欲しいNe mu re na i yo ro wo ko e te眠れない夜を超えてI ma su gu so ko ni yu ku yo今すぐそこに行くよHi to tu na ga re bo si ne ga e ba ka e u ra si i no sa一つ流れ星 愿えば叶うらしいのさsay you trust me...yes, i"ll be there...hi ka ri a bi te so re zo re no ko ko ro no na gani光浴びて それぞれの心の中にma mo ru be ki so si te a i su be ki ra ku en o ki zu ko u守るべき そして爱すべき楽园を筑こうyes, i"ll be there...hi ka ri a bi te so re zo re no ko ko ro no na gani光浴びて それぞれの心の中にma mo ru be ki so si te a i su be ki ra ku en o ki zu ko u守るべき そして爱すべき楽园を筑こう好像不能飞翔的鸟一样无法振翅静静地看着时光流逝每天都好像裂开的莫埃人像眼睛都不眨一下注视着注入大海的雨水say you trust me...每次听到这句话我就回想起该如何呼吸摇摆的影子就如海事蜃楼相信最终一定能够到达想在你身边 不想离开度过了不眠之夜现在立刻就去你那里向一颗流星许愿 愿望就会实现say you trust me...悲伤的雨水倾注而下我站在这里起誓云彩可以在晴空中找到永远不变一直都在那里的星座say you trust me...当我听到了你的声音回想起在这里的意义摇摆的影子就如海事蜃楼相信最终一定能够到达想在你身边 不想离开度过了不眠之夜现在立刻就去你那里向一颗流星许愿 愿望就会实现say you trust me...yes, i"ll be there...在每一颗被阳光照射的心中构筑起需要去保护去爱的乐园yes, i"ll be there...在每一颗被阳光照射的心中构筑起需要去保护去爱的乐园

第一点是木村常年同时占据日本男艺人最喜欢和最讨厌榜前一二位的关键原因。日本人讲究礼仪，在非家人面前隐藏真实感情，喜怒哀乐相对外露（相对于日本这个整体情感压抑的民族来说）的木村在大众眼里的评价两极化就很容易理解了，欣赏他的人欣赏他敢作敢为真性情不虚伪，反感他的人认为他不遵守世间的规则给其他人添麻烦。第二点涉及到全团各成员和深入每人性格成长真要分析全面可以写部很长的论文。简短地来说，他作为被世间称呼为“天团”的SMAP中至今唯一一位已婚成员，以及在酱泥滋中为数不多的事业巅峰期奉子成婚的“偶像”，承受和担当的东西岂是一句“偶像包袱”可以轻易概括的

是地图下载软件下载出来的一种离线地图格式，应该是安卓系统oruxmaps使用的格式。

说实话~国内关注他们的人很少~虽然他们创造了这么多辉煌的成绩~我想要不是KUT—TUN曾经翻唱过他们的歌~可能还有更多的人不认识呢~你还是到他们的贴吧去看看吧~我感觉上面的东西还是很多的~http://post.baidu.com/f?kw=smap

http://www.smapsunday.com/viewthread.php?tid=4632&extra=page%3D1转自SMAPの日曜小港

1996年 综艺霸主SMAPXSMAP 节目一览表 ●SMAP×SMAP 每周一22：00～22：54（変更あり）　富士电视台 主持人：SMAP自1996/04/1开播以来，是日本每年收视率最高的综艺节目，节目常规内容：做菜、小品、唱歌。4/8 一百亿倍快乐的SMAPXSMAP SMAPXSMAP开播前宣传、花絮、排练内幕、NG等等4/15 大原丽子(第一集bistro，大混乱！) SXS开播特别开场！古畑拓三郎(拓哉、森、慎吾)、涙のSMAP4/22 浅野优子 RAT&MASTER(SMAP、爆笑)、古畑拓三郎(拓哉)、SMAP伟人山(SMAP)4/29 岛田阳子 壷(拓哉、刚)、古畑拓三郎5/6 小林幸子 开场自由落体、壶(拓哉、刚)、泪之SMAP(SMAP)、伟人山(SMAP)5/13 多岐川裕美 DOG(SMAP)、古畑拓三郎(拓哉)、歌唱嘉宾：世良公则5/20 泉平子（她喜欢拓哉到想住在bistro的冰箱里） 宠物P-chan(第一次播出哦！)、歌唱嘉宾：西城秀树5/27 桃井薰(森且行退出SPECIAL) 壷(森)、古畑拓三郎(拓哉、森)、SMAP送别森且行痛哭场面6/3 贺来千香子 古畑拓三郎(SMAP)、泪之SMAP、歌唱嘉宾：近藤真彦6/10 眞野あずさ 草剪武藏(拓哉和刚的对决！)、宠物P-chan(拓哉)6/17 松坂庆子 猜蛋游戏(SMAP)、胜利的女神様(SMAP)6/24 野际阳子 悠长假期(SMAP)、古畑拓三郎(拓哉)7/1 片濑梨乃 忍者Michael(SMAP)、草剪武藏(SMAP)、香取画伯7/8 中田喜子 古畑拓三郎(拓哉变身为弹钢琴的濑名)、积木游戏(SMAP)、蓝色闪电初公开！7/15 田中好子 宠物P-chan(拓哉)、阵内先生、SMASMA悬疑剧(SMAP)7/22 中村玉绪(现场直播) 涙之SMAP、古畑拓三郎NG片段大公开7/29 真野响子 Mr.DOG(拓哉)、猜蛋游戏(SMAP)、SMAP排排坐(SMAP)8/5 佐久间良子 猜蛋游戏(SMAP)、忍者Michael(SMAP)8/12 宫崎淑子 古畑拓三郎(SMAP)、子门くん8/19 坂口良子 草剪武藏(SMAP)、歌唱嘉宾：JAY WALK（好SEXY的拓哉）8/26 中野良子（bistro第一次真正的KISS） 宠物P-chan(拓哉)、猜蛋游戏(SMAP)、Grassy"s(拓哉、吾郎、刚)、那天的风景9/2 藤谷美和子 宠物P-chan(拓哉)、Grassy"s(拓哉、吾郎、刚)、猜蛋游戏(SMAP)、子门先生9/9 加藤かずこ 古畑拓三郎(拓哉)、雷一家(SMAP)9/16 松下由树 宠物P-chan(拓哉)、J"s JUDGE(慎吾、刚)、歌唱嘉宾：玉置浩二9/23 高桥恵子 涙のSMAP、宠物P-chan、图书馆里的SMAP学生9/30 斎藤由贵、宍戸锭、周富徳（第一次Bistro King厨神大赛） 猜蛋游戏(SMAP)、古畑拓三郎特别篇(SMAP、特别嘉宾西村雅彦)、SMUFFY10/14 秋天的珍藏镜头节！ SXS第一次NG大回顾10/21 江角真纪子 体感电梯(拓哉)、SMASMA project(成龙)、刑警哈里亚(SMAP)10/28 古手川佑子 鹦鹉O-chan(拓哉)、体感电梯(拓哉)、hip-hop G(吾郎)、积木游戏(SMAP)11/4 南果歩 草剪武藏(拓哉、阿刚剑道比赛)、原始物语(中居、慎吾、刚)11/11 中井贵恵 体感电梯(拓哉)、雷朋三世(SMAP)、SMUFFY11/18 中村あずさ 鹦鹉O-chan(拓哉)、科学怪人(SMAP)、Grassy"s(拓哉、吾郎、刚)11/25 南野阳子 体感电梯(拓哉)、8秒之壁(SMAP)、猜蛋游戏(SMAP)12/2 榊原郁恵、井森美幸 加油世良先生(拓哉)、8秒之壁(SMAP)、猜蛋游戏(SMAP)12/9 大地真央 探侦物语ZERO(拓哉)、歌唱嘉宾：Cindi Lauper（五子爆笑打扮）12/16 万田久子 雷朋三世(SMAP)、体感电梯(拓哉)、倒数圣诞(拓哉)、短编小说：SMA家的人们（从没看到过这么凄惨的拓哉爸爸、中居妈妈和三个儿子）12/30 加贺麻里子、永岛敏行、坂井宏行（年终大SHAKE SPECIAL） 粘土王国(SMAP)、宠物P-chan、体感电梯(拓哉、刚超级搞笑)、猜蛋游戏(SMAP赌场变成剑道场？)、雷朋三世(SMAP)、SMAP穿浴衣唱演歌！

LADY GAGA希尔顿贝克汉姆夫妇未上节目但去看过他们的有 迈克尔 杰克逊

歌词そのまま あなたが 変わらないでくれたら 仆等の明日は いつまでもきっと Giveyoumyheart仆が谁かを必要とする时近くにいてくれた君に出会う前からさ知っていた気がした朝目覚めて気付いたそんな君がいなくて 寄り添う影が一つだから忘れてたのさ大きめのテーブルの二つ揃いのグラスも二人きっと出会うため幸せなこの时もそのまま あなたが 変わらないでくれたら 仆等の明日は いつまでもきっと Giveyoumyheart君からもらった勇気の変わりにさ仆の爱をあげるよいつか君が话してたね こんな事二人の距离が近づくほど怖いの别れのない出会いだけ约束するよ缲り返し 来る朝も 孤独になれた夜も二人きっと出会うため幸せなこの时もそのまま あなたが そばにいてくれたなら 仆等の明日は いつまでもきっと GiveyoumyheartI love you 信じてその全てをいつまでも强く支える君はBeautifulどんな时も二人で歩こう明日への道就那样 只要你的心仍然保持不变 今后我也一定会永远地 give you my heart 当我需要别人关心的时候 你走近我身旁 感觉早在相遇之前 我们好像已经相识似的 (OH YEAH) 今早睡醒时发觉 (OH NO) 身边的你不见了 我竟然忘记了 曾经依偎著的身影 如今已剩下我一人 稍为大了点的餐桌上 并排著两只玻璃杯 正期待著二人能够再次相聚的那一刻 就那样 只要你的心仍然保持不变 今后我也一定会永远地 give you my heart 从你身上得到了勇气 我会付出我的爱作为回礼 你曾经对我这样说过 『二人的距离越近 我感到越害怕』 我们约定好 这是一段不会有分离的邂逅 无论反覆来临的清晨 还是习惯了孤独地渡过的晚上 我都会期待著二人能够再次相聚的那一刻 就那样 只要你留在我的身旁 今后我也一定会永远地 give you my heart I love you (我相信) 你的一切 (永远地) 我会坚强地支持著的 你真的很 beautiful 无论什麼时候 让我们二人并肩而行 走向通往明天的道路 就那样 只要你留在我的身旁 今后我也一定会永远地 give you my heart give you my heart 从你身上得到了勇气 我会付出我的爱作为回礼

歌名：Dear WOMAN歌手：SMAP作词: 麻生哲朗 作曲: 平田祥一郎君がどんなに否定しても　本当だから揺るがない「君はとても美しい」という真実あまりに広い世界の中　爱しい人が　この国で生きてるという　震えるくらいの奇迹君の美しさが　仆らの前だけで咲いている胸が騒ぐまま　世界中に夸るよWELCOME　ようこそ日本へ　君が今ここにいることとびきりの运命に　心からありがとう今日も　君が君らしく　青空の下で辉いているきれいだね　君こそ我が夸り　Dear WOMANどこかよそから借りてきた　サイズの违うちぐはぐなウツクシサをまとうだけなら寂しい君が毎日生きる中で　笑って泣いて　心から美しさを育ててるから嬉しい同じ国に咲いた　爱しくてかけがえないものを胸の真ん中で　思いながら守るよWELCOME　ようこそ日本へ　仆らが生きてる时代へ舞い降りた偶然に　心からありがとう君が　君でいることが　とても美しい忘れないでいて　目の前の　君こそ我が夸り　Dear WOMANWELCOME　ようこそ日本へ　君が今ここにいることとびきりの运命に　心からありがとうWELCOME　ようこそ日本へ　仆らが生きてる时代へ舞い降りた偶然に　心からありがとう君が　君でいることが　とても美しい忘れないでいて　いつまでも　君こそ我が夸り　Dear WOMANhttp://music.baidu.com/song/59585899

我补充一下，那位不是饭的童鞋贴出来的答案是正确的，我大略看了看前半部，是按着顺序的没错。29分就是夏の风を忘れゆく様に和ラストシーン 啦话说当年我是超喜欢You"re My Love的，还有shiosa，那年takuya的发型我是最爱的^^

SMAP - 夜空ノムコウ 作词 スガシカオ あれからぼくたちは 何(なに)かを信(しん)じてこれたかなぁ 夜空(よぞら)のむこうには 明日(あした)がもう待(ま)っている 谁(だら)かの声(こえ)に気(き)づき ぼくらは身(み)をひそめた 公园(こえん)のフェンス越(ご)しに 夜(よる)の风(かぜ)が吹(ふ)いた 君(きみ)が何(なに)か伝(つた)えようと にぎり返(かえ)したその手(て)は ぼくの心のやらかい场所(ばしょ)を 今でもまだしめつける あれからぼくたちは 何(なに)かを信(しん)じてこれたかなぁ マドをそっと开(あ)けてみる 冬(ふゆ)の风(かぜ)のにおいがした 悲(かな)しみっていつかは 消(き)えてしまうものなのかなぁ タメ息(いき)は少(すこ)しだけ 白(しろ)く残(のこ)ってすぐ消(き)えた 歩(ある)き出(だ)すことさえも いちいちためらうくせに つまらない常识(じょうし)など つぶせると思(おも)ってた 君(きみ)に话(はな)した言叶(ことば)は どれだけ残(のこ)っているの？ ぼくの心(こころ)のいちばん奥(おく)で から回(まわ)りしつづける あのころの未来(みらい)に ぼくらは立(た)っているのかなぁ 全(すべ)てが思(おもう)うほど うまくはいかないみたいだ このままどこまでも 日々(ひび)は続(つず)いていくのかなぁ 云(こも)のない星空(ほしぞら)が マドのむこうにつづいてる あれからぼくたちは 何(なに)かを信(しん)じてこれたかなぁ 夜空(よぞら)のむこうには もう明日(あす)が待(ま)っている

arashi 每年都有巡演。 国立竞技场从08年开始就每年开show ，09年是5*10的周年庆，绝对值得收藏，10年的更是连开3场爆满，评价度相当高！ 相对之后就是5大巨蛋的巡回，期间各大电视台的番组也不会误点喔~

原创

あなたのためにできること広いこの世界で0仆たちが出会う事は 0ひろいこのせかいで0ぼくたちがであうことは小さすぎて谁の目にも0とまらないかもしれない0ちいさすぎてだれのめにも0だけど仆にもある0手のひらの温もりで00だけどぼくにもある0てのひらのぬくもりであなたのその指に触れて0包みこみたいから0あなたのそのゆびにふれて0つつみこみたいからあなたのために出来る事は0仆が仆であり続ける事0あなたのためにできることは0ぼくがぼくでありつづけることふたりのために绝え间ない笑颜を0仆とあなたで育てていく事0ふたりのためにたえあいだないえがおを0ぼくとあなたでそだてていくこと时代は急ぎ足で0本当の言叶たちは0ときはいそぎあしで0ほんとうのことばたちは通り过ぎる风のように0ほどけて掻（か）き消される0とおりすぎるかぜのように0ほどけてかきけされるだから仆は誓う0ひとつしかない心で00だからぼくはちかう0ひとつしかないこころでたとえ声にならなくても0想いを奏でるよ0たとえこえにならなくても0おもいをかなでるよ0あなたのために出来る事は0ありのままを纺いでいく事0あなたのためにできることは0ありのままをつむいでいくことふたりのために変わらない未来を0过去にかざして信じていく事0ふたりのためにかわらないみらいを0かこにかざしてしんじていくこと闇に呑まれて立ち尽くしても0仆はあなたの目になれるから0やみにのまれてたちつくしても0ぼくはあなたのめになれるから握り返したふたりの热は0月灯りの先0道を描き続ける0にぎりかえしたふたりのねつは0つきともりのさき0みちをえがきつづけるあなたのために出来る事は0仆が仆であり続ける事00あなたのためにできることは0ぼくがぼくでありつづけつことふたりのために绝（た）え间ない笑颜を0仆とあなたで育（そだ）てていく事0ふたりのためにたえあいだないえがおを0ぼくとあなたでそだてていくことこれからもずっと00这个歌词我也是看楼上链接而标注的，如果歌词不对的话你可以发给我我重新标注

歌曲:ひとつ歌手:alanひとつ作词：吉元由美作曲：菊池一仁编曲：中野雄太alan-ひとつ★ danfeng927制作一度だけじゃない何度も生きてきた证はないけれど记忆もないけど自分の命の热さを感じてたくさんの祝福に守られているの爱されるよりもせる勇気からはじまる爱に 心はいまつながってゆくの永久(とわ)にひとりじゃない私たちはひとつalan-ひとつ★ danfeng927制作あなたの涙がこんなにいたくてこの胸を热くする自分のように谁も皆伤つく度に优しくなって行くの远ひじ星を见たかも知れない梦に生まれてきた君を见つけよう永久(とわ)にalan-ひとつ★ danfeng927制作爱に 心はいまつながってゆくの永久(とわ)にひとりじゃない私たちはひとつ热いその涙を拭ったこの手で爱にひとりじゃない私たちはひとつalan-ひとつ是在太难找了，只找到了日文的

世上唯一仅有的花排列在花店门口 看著各式各样的花 虽然人的喜好各有不同 但是每一朵都很漂亮呢 在这当中谁最美丽 没有如此的纷争 在桶中夸耀般的 绽开著挺起胸膛 即使如此为何我们人类 却要如此互相比较呢? 每人皆不尽相同 却在那之中想成为第一名 是啊 我们皆是 世界中唯一仅有的花 每个人都拥有的不同品种 单纯地为了让那朵花盛开 而努力著就好 有著一边困扰著笑? 还迷惑著的人 努力绽放的花朵无论哪一朵 都那麼美丽 所以难以抉择 终於走出了店外 那人拥抱著 色彩艳丽的花束 以及欣喜的侧脸 虽然不知道你的名字 但给了那一日的我一个笑容 有如在谁都不曾察觉的场所 盛开著的花儿一般 是啊 我们皆是 世界中唯一仅有的花 每个人都拥有的不同品种 单纯地为了让那朵花盛开 而努力著就好 无论小花或是大花 都不是相同之物 无法成为No.1也好 原本就是特别的only one