flume下載的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和資訊懶人包

Hadoop大數據技術開發實戰

為了解決flume下載的問題，作者張偉洋 這樣論述：

本書以Hadoop及其周邊框架為主線，介紹了整個Hadoop生態系統主流的大資料開發技術。全書共16章，第1章講解了VMware中CentOS 7作業系統的安裝；第2章講解了大資料開發之前對作業系統集群環境的配置；第3~16章講解了Hadoop生態系統各框架HDFS、MapReduce、YARN、ZooKeeper、HBase、Hive、Sqoop和資料即時處理系統Flume、Kafka、Storm、Spark以及分散式搜索系統Elasticsearch等的基礎知識、架構原理、集群環境搭建，同時包括常用的Shell命令、API操作、源碼剖析，並通過實際案例加深對各個框架的理解與應用。通過閱讀本

書，讀者即使沒有任何大資料基礎，也可以對照書中的步驟成功搭建屬於自己的大資料集群並獨立完成專案開發。 本書可作為Hadoop新手入門的指導書，也可作為大資料開發人員的隨身手冊以及大資料從業者的參考用書。 張偉洋 畢業于中國地質大學計算機科學與技術專業，先後就職于知名互聯網公司百度、慧聰網，任Java高級軟體工程師，互聯網旅遊公司任軟體研發事業部技術經理。目前供職于青島英穀教育科技股份有限公司，任大資料項目目講師，為數十所高校先後舉行多次大資料專題講座，對Hadoop及周邊框架ZooKeeper、Hive、HBase、Storm、Spark等有深入的研究。高等院校雲計算與大

資料專業課改教材《雲計算與大資料概論》《大資料開發與應用》的主要編寫者，百度文庫、百度閱讀簽約作者。 第1章  VMware中安裝CentOS 7 1 1.1  下載CENTOS 7鏡像文件 1 1.2  新建虛擬機器 5 1.3  安裝作業系統 9 第2章  CentOS 7集群環境配置 16 2.1  系統環境配置 16 2.1.1  新建用戶 17 2.1.2  修改用戶許可權 17 2.1.3  關閉防火牆 17 2.1.4  設置固定IP 18 2.1.5  修改主機名稱 22 2.1.6  新建資原始目錄 23 2.2  安裝JDK 23 2.3  克隆虛擬機

器 25 2.4  配置主機IP映射 29 第3章  Hadoop 31 3.1  HADOOP簡介 31 3.1.1  Hadoop生態系統架構 32 3.1.2  Hadoop 1.x與2.x的架構對比 33 3.2  YARN基本架構及組件 34 3.3  YARN工作流程 37 3.4  配置集群各節點SSH無金鑰登錄 38 3.4.1  無金鑰登錄原理 38 3.4.2  無金鑰登錄操作步驟 39 3.5  搭建HADOOP 2.X分散式集群 41 第4章  HDFS 48 4.1  HDFS簡介 48 4.1.1  設計目標 49 4.1.2  總體架構 49 4.1.3  主

要組件 50 4.1.4  文件讀寫 53 4.2  HDFS命令列操作 54 4.3  HDFS WEB介面操作 57 4.4  HDFS JAVA API操作 59 4.4.1  讀取數據 59 4.4.2  創建目錄 61 4.4.3  創建文件 62 4.4.4  刪除檔 63 4.4.5  遍歷檔和目錄 64 4.4.6  獲取檔或目錄的中繼資料 65 4.4.7  上傳本地檔 66 4.4.8  下載檔案到本地 66 第5章  MapReduce 68 5.1  MAPREDUCE簡介 68 5.1.1  設計思想 69 5.1.2  任務流程 70 5.1.3  工作原理 71

5.2  MAPREDUCE程式編寫步驟 74 5.3  案例分析：單詞計數 76 5.4  案例分析：數據去重 82 5.5  案例分析：求平均分 86 5.6  案例分析：二次排序 89 5.7  使用MRUNIT測試MAPREDUCE程式 97 第6章  ZooKeeper 100 6.1  ZOOKEEPER簡介 100 6.1.1  應用場景 101 6.1.2  架構原理 101 6.1.3  資料模型 102 6.1.4  節點類型 103 6.1.5  Watcher機制 103 6.1.6  分散式鎖 105 6.2  ZOOKEEPER安裝配置 106 6.2.1  單

機模式 106 6.2.2  偽分佈模式 108 6.2.3  集群模式 109 6.3  ZOOKEEPER命令列操作 112 6.4  ZOOKEEPER JAVA API操作 114 6.4.1  創建Java工程 114 6.4.2  創建節點 115 6.4.3  修改資料 118 6.4.4  獲取資料 118 6.4.5  刪除節點 123 6.5  案例分析：監聽伺服器動態上下線 124 第7章  HDFS與YARN HA 129 7.1  HDFS HA搭建 129 7.1.1  架構原理 130 7.1.2  搭建步驟 131 7.1.3  結合ZooKeeper進行HD

FS自動容錯移轉 137 7.2  YARN HA搭建 142 7.2.1  架構原理 142 7.2.2  搭建步驟 142 第8章  HBase 147 8.1  什麼是HBASE 147 8.2  HBASE基本結構 148 8.3  HBASE資料模型 149 8.4  HBASE集群架構 151 8.5  HBASE安裝配置 153 8.5.1  單機模式 153 8.5.2  偽分佈模式 155 8.5.3  集群模式 156 8.6  HBASE SHELL命令操作 160 8.7  HBASE JAVA API操作 164 8.7.1  創建Java工程 164 8.7.2

 創建表 164 8.7.3  添加數據 166 8.7.4  查詢資料 168 8.7.5  刪除資料 169 8.8  HBASE篩檢程式 170 8.9  案例分析：HBASE MAPREDUCE資料轉移 174 8.9.1  HBase不同表間資料轉移 174 8.9.2  HDFS資料轉移至HBase 180 8.10  案例分析：HBASE資料備份與恢復 183 第9章  Hive 185 9.1  什麼是HIVE 185 9.1.1  資料單元 186 9.1.2  資料類型 187 9.2  HIVE架構體系 189 9.3  HIVE三種運行模式 190 9.4  HIVE

安裝配置 191 9.4.1  內嵌模式 192 9.4.2  本地模式 195 9.4.3  遠端模式 198 9.5  HIVE常見屬性配置 200 9.6  BEELINE CLI的使用 201 9.7  HIVE資料庫操作 205 9.8  HIVE表操作 208 9.8.1  內部表 209 9.8.2  外部表 213 9.8.3  分區表 215 9.8.4  分桶表 219 9.9  HIVE查詢 223 9.9.1  SELECT子句查詢 224 9.9.2  JOIN連接查詢 230 9.10  其他HIVE命令 233 9.11  HIVE中繼資料表結構分析 235 9.

12  HIVE自訂函數 237 9.13  HIVE JDBC操作 239 9.14  案例分析：HIVE與HBASE整合 242 9.15  案例分析：HIVE分析搜狗使用者搜索日誌 246 第10章  Sqoop 251 10.1  什麼是SQOOP 251 10.1.1  Sqoop基本架構 252 10.1.2  Sqoop開發流程 252 10.2  使用SQOOP 253 10.3  資料導入工具 254 10.4  資料匯出工具 259 10.5  SQOOP安裝與配置 261 10.6  案例分析：將MYSQL表數據導入到HDFS中 262 10.7  案例分析：將HDFS

中的資料匯出到MYSQL中 263 10.8  案例分析：將MYSQL表數據導入到HBASE中 264 第11章  Kafka 267 11.1  什麼是KAFKA 267 11.2  KAFKA架構 268 11.3  主題與分區 269 11.4  分區副本 271 11.5  消費者組 273 11.6  資料存儲機制 274 11.7  集群環境搭建 276 11.8  命令列操作 278 11.8.1  創建主題 278 11.8.2  查詢主題 279 11.8.3  創建生產者 280 11.8.4  創建消費者 280 11.9  JAVA API操作 281 11.9.1

 創建Java工程 281 11.9.2  創建生產者 281 11.9.3  創建消費者 283 11.9.4  運行程式 285 11.10  案例分析：KAFKA生產者攔截器 287 第12章  Flume 294 12.1  什麼是FLUME 294 12.2  架構原理 295 12.2.1  單節點架構 295 12.2.2  組件介紹 296 12.2.3  多節點架構 297 12.3  安裝與簡單使用 299 12.4  案例分析：日誌監控（一） 302 12.5  案例分析：日誌監控（二） 304 12.6  攔截器 306 12.6.1  內置攔截器 307 12.6.

2  自訂攔截器 310 12.7  選擇器 313 12.8  案例分析：攔截器和選擇器的應用 315 12.9  案例分析：FLUME與KAFKA整合 319 第13章  Storm 322 13.1  什麼是STORM 322 13.2  STORM TOPOLOGY 323 13.3  STORM集群架構 324 13.4  STORM流分組 326 13.5  STORM集群環境搭建 329 13.6  案例分析：單詞計數 332 13.6.1  設計思路 332 13.6.2  代碼編寫 333 13.6.3  程式運行 339 13.7  案例分析：STORM與KAFKA整合

341 第14章  Elasticsearch 347 14.1  什麼是ELASTICSEARCH 347 14.2  基本概念 348 14.2.1  索引、類型和文檔 348 14.2.2  分片和副本 348 14.2.3  路由 349 14.3  集群架構 350 14.4  集群環境搭建 352 14.5  KIBANA安裝 355 14.6  REST API 357 14.6.1  集群狀態API 357 14.6.2  索引API 358 14.6.3  文檔API 360 14.6.4  搜索API 363 14.6.5  Query DSL 365 14.7  HEA

D外掛程式安裝 371 14.8  JAVA API操作：員工資訊 375 第15章  Scala 379 15.1  什麼是SCALA 379 15.2  安裝SCALA 380 15.2.1  Windows中安裝Scala 380 15.2.2  CentOS 7中安裝Scala 381 15.3  SCALA基礎 382 15.3.1  變數聲明 382 15.3.2  資料類型 383 15.3.3  運算式 385 15.3.4  迴圈 386 15.3.5  方法與函數 388 15.4  集合 391 15.4.1  陣列 391 15.4.2  List 393 15.4.

3  Map映射 394 15.4.4  元組 396 15.4.5  Set 396 15.5  類和對象 398 15.5.1  類的定義 398 15.5.2  單例對象 399 15.5.3  伴生對象 399 15.5.4  get和set方法 400 15.5.5  構造器 402 15.6  抽象類別和特質 404 15.6.1  抽象類別 404 15.6.2  特質 406 15.7  使用ECLIPSE創建SCALA專案 408 15.7.1  安裝Scala for Eclipse IDE 408 15.7.2  創建Scala項目 409 15.8  使用INTELLI

J IDEA創建SCALA專案 410 15.8.1  IDEA中安裝Scala外掛程式 410 15.8.2  創建Scala項目 414 第16章  Spark 416 16.1  SPARK概述 416 16.2  SPARK主要組件 417 16.3  SPARK運行時架構 419 16.3.1  Spark Standalone模式 419 16.3.2  Spark On YARN模式 421 16.4  SPARK集群環境搭建 423 16.4.1  Spark Standalone模式 423 16.4.2  Spark On YARN模式 425 16.5  SPARK H

A搭建 426 16.6  SPARK應用程式的提交 430 16.7  SPARK SHELL的使用 433 16.8  SPARK RDD 435 16.8.1  創建RDD 435 16.8.2  RDD運算元 436 16.9  案例分析：使用SPARK RDD實現單詞計數 441 16.10  SPARK SQL 448 16.10.1  DataFrame和Dataset 448 16.10.2  Spark SQL基本使用 449 16.11  案例分析：使用SPARK SQL實現單詞計數 452 16.12  案例分析：SPARK SQL與HIVE整合 454 16.13  案

例分析：SPARK SQL讀寫MYSQL 457 前言 當今互聯網已進入大資料時代，大資料技術已廣泛應用于金融、醫療、教育、電信、政府等領域。各行各業每天都在產生大量的資料，資料計量單位已從B、KB、MB、GB、TB發展到PB、EB、ZB、YB甚至BB、NB、DB。預計未來幾年，全球資料將呈爆炸式增長。谷歌、阿裡巴巴、百度、京東等互聯網公司都急需掌握大資料技術的人才，而大資料相關人才卻出現了供不應求的狀況。 Hadoop作為大資料生態系統中的核心框架，專為離線和大規模資料處理而設計。Hadoop的核心組成HDFS為海量資料提供了分散式存儲；MapReduce則為海量資料

提供了分散式運算。很多互聯網公司都使用Hadoop來實現公司的核心業務，例如華為的雲計算平臺、淘寶的推薦系統等，只要和海量資料相關的領域都有Hadoop的身影。 本書作為Hadoop及其周邊框架的入門書，知識面比較廣，涵蓋了當前整個Hadoop生態系統主流的大資料開發技術。內容全面，代碼可讀性強，以實操為主，理論為輔，一步一步手把手對常用的離線計算以及即時計算等系統進行了深入講解。 全書共16章，第1章講解了VMware中CentOS 7作業系統的安裝；第2章講解了大資料開發之前對作業系統集群環境的配置；第3~16章講解了Hadoop生態系統各框架HDFS、MapReduce、YARN、Z

ooKeeper、HBase、Hive、Sqoop和資料即時處理系統Flume、Kafka、Storm、Spark以及分散式搜索系統Elasticsearch等的基礎知識、架構原理、集群環境搭建，同時包括常用的Shell命令、API操作、源碼剖析，並通過實際案例加深對各個框架的理解與應用。 那麼如何學習本書呢？ 本書推薦的閱讀方式是按照章節順序從頭到尾完成閱讀，因為後面的很多章節是以前面的章節為基礎，而且這種一步一個腳印、由淺入深的方式將使你更加順利地掌握大資料的開發技能。 學習本書時，首先根據第1、2章搭建好開發環境，然後依次學習第3~16章，學習每一章時先瞭解該章的基礎知識和框架的架

構原理，然後再進行集群環境搭建、Shell命令操作等實操練習，這樣學習效果會更好。當書中的理論和實操知識都掌握後，可以進行舉一反三，自己開發一個大資料程式，或者將所學知識運用到自己的程式設計項目上，也可以到各種線上論壇與其他大資料愛好者進行討論，互幫互助。 本書可作為Hadoop新手入門的指導書籍或者大資料開發人員的參考用書，要求讀者具備一定的Java語言基礎和Linux系統基礎，即使沒有任何大資料基礎的讀者，也可以對照書中的步驟成功搭建屬於自己的大資料集群，是一本真正的提高讀者動手能力、以實操為主的入門書籍。通過對本書的學習，讀者能夠對大資料相關框架迅速理解並掌握，可以熟練使用Hadoop

集成環境進行大資料專案的開發。 讀者若對書中講解的知識有任何疑問，可關注下面的公眾號聯繫筆者，還可以在該公眾號中獲取大資料相關的學習教程和資源。   掃描下述二維碼可以下載本書原始程式碼：   由於時間原因，書中難免出現一些錯誤或不準確的地方，懇請讀者批評指正。 張偉洋 2019年5月於青島  

flume下載進入發燒排行的影片

合夥之當事人論——以合夥債務之實體與程序議題為中心

為了解決flume下載的問題，作者李怡真 這樣論述：

實務學說對於民法上合夥(民法第 667 條)探討頗多且意見分歧，其爭議多集中在程序法面向，例如當事人能力及判決效力，且大多以程序法之角度分析， 較欠缺實體法角度之觀察。惟實體法與程序法密不可分、相輔相成，探討程序法問題時，亦不可忽略實體法之面向。因此，本文嘗試自民法上合夥之實體法律關係開始分析，集中在對外之義務關係上，討論包含合夥之權利能力、對外義務主體、合夥債務與責任關係等等。待實體法上法律關係獲得釐清之後，再進入程序法議題之討論。希望能以實體法之觀點出發，深化程序法上之討論。

Spark大數據分析——源碼解析與實例詳解

為了解決flume下載的問題，作者劉景澤 這樣論述：

講解了網絡大數據時代應運而生的、能高效迅捷地分析處理資料的工具——Spark，它帶領讀者快速掌握用 Spark 收集、計算、簡化和保存海量資料的方法，學會交互、反覆運算和增量式分析，解決分區、資料當地語系化和自訂序列化等問題。   劉景澤   全棧工程師，長期從事大數據的研發工作，擁有豐富的大數據開發經驗。 曾擔任多家知名企的主力研發，並負責大數據雲服務元件開發。 精通Java、Scala、Python等多種程式設計語言，擅長大數據生態圈的研發、演算法、逆向工程等技術。 為多家企業提供技術支持，並長期面向企業一線開發人員分享實戰經驗。   第1篇 準備

第1章 認識大數據和Spark2 1.1 大數據的介紹2 1.2 Apache Spark能做什麼3 1.3 其他分散式數據處理框架4 1.4 如何使用本書4 O1.4.1 需要提前具備的基礎4 O1.4.2 準備相關開發環境4 O1.4.3 如何學習本書5 第2章 安裝與配置Spark集群6 2.1 下載Spark安裝包6 2.2 檢查與準備集群環境7 2.3 瞭解目前集群中已經部署的框架服務11 2.4 部署Spark集群12 O2.4.1 實例1：基於Standalone模式部署Spark集群12 O2.4.2 實例2：部署Spark的歷史服務——Spark History Serv

er16 O2.4.3 實例3：基於Standalone模式部署高可用的Master服務18 O2.4.4 實例4：基於YARN模式部署Spark集群20 O2.4.5 Standalone模式與YARN模式的特點22 2.5 本章小結23 第3章 第1個Spark程式24 3.1 運行第1個Spark程式24 O3.1.1 實例5：基於Standalone模式運行第1個Spark程式24 O3.1.2 實例6：基於YARN模式運行第1個Spark程式27 O3.1.3 提交Spark程式時的參數規範30 3.2 使用spark-shell編寫並運行WordCount程式30 O3.2.1

實例7：啟動spark-shell31 O3.2.2 實例8：在spark-shell中編寫WordCount程式32 3.3 使用IDEA編寫並運行WordCount程式34 O3.3.1 實例9：準備開發環境，並構建代碼工程34 O3.3.2 實例10：使用IDEA編寫WordCount程式41 O3.3.3 實例11：在IDEA中本地運行WordCount程式44 O3.3.4 實例12：在IDEA中遠端運行WordCount程式46 O3.3.5 實例13：打包程式，並提交至集群運行48 3.4 本章小結49 第2篇 入門 第4章 讀寫分散式數據——基於Spark Core52 4

.1 RDD的誕生52 4.2 進一步理解RDD53 O4.2.1 數據存儲53 O4.2.2 數據分析55 O4.2.3 程式調度56 4.3 讀取數據並生成RDD57 O4.3.1 實例14：讀取普通文本數據58 O4.3.2 實例15：讀取JSON格式的數據59 O4.3.3 實例16：讀取CSV、TSV格式的數據61 O4.3.4 實例17：讀取SequenceFile格式的數據62 O4.3.5 實例18：讀取Object格式的數據64 O4.3.6 實例19：讀取HDFS中的數據——顯式調用Hadoop API66 O4.3.7 實例20：讀取MySQL數據庫中的數據68 4.4

保存RDD中的數據到外部存儲70 O4.4.1 實例21：保存成普通文字檔70 O4.4.2 實例22：保存成JSON檔71 O4.4.3 實例23：保存成CSV、TSV檔73 O4.4.4 實例24：保存成SequenceFile檔74 O4.4.5 實例25：保存成Object檔75 O4.4.6 實例26：保存成HDFS檔——顯式調用Hadoop API的方式76 O4.4.7 實例27：寫入MySQL數據庫78 4.5 本章小結80 第5章 處理分散式數據——基於Spark Core81 5.1 RDD的轉換（transformations）操作——轉換數據形態81 O5.1.1 實

例28：基礎轉換操作81 O5.1.2 實例29：鍵值對轉換操作103 5.2 RDD的行動（actions）操作——觸發執行任務計畫115 O5.2.1 實例30：基礎行動操作116 O5.2.2 實例31：鍵值對行動操作125 O5.2.3 實例32：數值行動操作127 5.3 本章小結128 第3篇 進階 第6章 RDD的高級操作130 6.1 緩存RDD130 O6.1.1 緩存RDD的基礎知識130 O6.1.2 實例33：緩存與釋放RDD133 6.2 RDD的檢查點（Checkpoint）機制139 O6.2.1 瞭解Checkpoint機制139 O6.2.2 實例34：使

用Checkpoint機制141 O6.2.3 Checkpoint機制的工作流程144 6.3 RDD的依賴關係145 O6.3.1 窄依賴（narrow dependencies）145 O6.3.2 寬依賴（wide/shuffle dependencies）148 O6.3.3 實例35：讓子RDD混合依賴依賴多個父RDD151 O6.3.4 實例36：詞頻統計——總結運算過程涉及的概念153 6.4 累加器（Accumulator）155 O6.4.1 認識累加器155 O6.4.2 實例37：使用系統累加器1——長整數、雙精度浮點數累加器156 O6.4.3 實例38：使用系統累加

器2——集合累加器159 O6.4.4 實例39：自訂累加器160 6.5 廣播（Broadcast）——將數據塊緩存到所有節點164 O6.5.1 認識廣播165 O6.5.2 實例40：使用廣播補全數據165 6.6 本章小結168 第7章 用SQL語法分析結構化數據——基於Spark SQL169 7.1 為什麼會產生Spark SQL169 7.2 認識DataFrame與Dataset數據類型170 O7.2.1 認識DataFrame170 O7.2.2 認識Dataset171 7.3 實例41：通過Dataset、DataFrame分析用戶數據172 O7.3.1 用spar

k-shell編寫程式172 O7.3.2 用IDEA編寫程式175 7.4 不同Spark版本的操作差異177 O7.4.1 認識SQLContext與HiveContext178 O7.4.2 認識SparkSession178 7.5 DataFrame、Dataset的基本操作179 O7.5.1 DSL與SQL的語法風格179 O7.5.2 使用臨時視圖的注意事項181 O7.5.3 實例42：讀取JSON、CSV格式的數據183 O7.5.4 實例43：讀取Parquet格式的數據185 O7.5.5 實例44：讀取代碼中動態生成的數據185 O7.5.6 實例45：讀取關聯式數據

庫中的數據188 O7.5.7 實例46：輸出Dataset、DataFrame中的數據189 O7.5.8 實例47：RDD、DataFrame、Dataset之間的相互轉換192 7.6 使用者自訂函數195 O7.6.1 實例48：實現“一進一出”的UDF195 O7.6.2 實例49：實現“多進一出”的UDAF198 O7.6.3 實例50：實現“一進多出”的UDTF208 7.7 集成Spark SQL與Hive211 O7.7.1 已經部署Hive框架211 O7.7.2 尚未部署Hive框架215 7.8 本章小結215 第8章 即時處理流式數據——基於Spark Stream

ing216 8.1 為什麼會產生Spark Streaming216 8.2 第1個Spark Streaming程式216 O8.2.1 實例51：用spark-shell編寫程式216 O8.2.2 實例52：用IDEA編寫程式221 8.3 什麼是DStream222 O8.3.1 認識DStream222 O8.3.2 認識DStreamGraph223 8.4 讀取數據到DStream中227 O8.4.1 實例53：讀取HDFS資料夾中的數據227 O8.4.2 實例54：讀取RDD組成的數據佇列229 O8.4.3 實例55：即時讀取Flume中的數據230 O8.4.4 實例

56：用高階API即時讀取Kafka中的數據235 O8.4.5 實例57：用低階API即時讀取Kafka中的數據242 8.5 Spark Streaming中的幾個時間概念251 O8.5.1 批次處理間隔251 O8.5.2 窗口時間寬度與滑動時間寬度252 O8.5.3 實例58：使用視窗操作，每兩秒鐘統計10秒內的平均溫度254 8.6 DStream的操作總結259 O8.6.1 DStream的操作說明259 O8.6.2 實例59：直接面向DStream中的RDD進行數據分析261 O8.6.3 實例60：將DStream中的數據即時輸出至外部存儲系統263 O8.6.4 實例

61：對Dstream進行join操作267 8.7 DStream中的轉換分類269 O8.7.1 無狀態轉換269 O8.7.2 有狀態轉換270 O8.7.3 實例：用有狀態轉換做全域詞頻統計270 8.8 在Spark Streaming中的緩存與Checkpoint272 O8.8.1 認識Spark Streaming中的Checkpoint273 O8.8.2 實例62：使用Spark Streaming中的Checkpoint273 8.9 Spark Streaming中的累加器與廣播變數276 O8.9.1 認識累加器與廣播變數276 O8.9.2 實例63：自訂累加器，並

結合無狀態轉換，實現即時的全域詞頻統計276 8.10 關閉Spark Streaming程式280 O8.10.1 關閉程式的方案281 O8.10.2 實例64：合理關閉一個運行中的Spark Streaming程式281 8.11 本章小結284 第4篇 高階 第9章 即時處理流式數據——基於Structured Streaming286 9.1 為什麼會產生Structured Streaming286 9.2 第1個Structured Streaming程式287 O9.2.1 實例65：用spark-shell編寫程式287 O9.2.2 實例66：用IDEA編寫程式289

9.3 Structured Streaming的程式設計模型291 9.4 輸入數據——生成Streaming Dataset、 Streaming DataFrame292 O9.4.1 實例67：根據檔生成工作流292 O9.4.2 實例68：根據檔、資料夾生成自動分區的工作流295 O9.4.3 實例69：根據Kafka以Streaming模式生成工作流297 O9.4.4 實例70：以Kafka為數據源，通過Batch方式生成工作流300 O9.4.5 實例71：根據指定速率生成工作流304 9.5 基於事件時間的視窗操作305 O9.5.1 事件時間視窗的工作方式305 O9.5.

2 實例72：事件時間視窗的生成規則307 O9.5.3 實例73：基於事件時間視窗實現詞頻統計311 9.6 基於Watermark處理延遲數據314 O9.6.1 Watermark的作用314 O9.6.2 實例74：基於Update模式實現詞頻統計，並結合Watermark處理延遲數據314 O9.6.3 實例75：基於Append模式實現詞頻統計，並結合Watermark處理延遲數據320 O9.6.4 Watermark的底層工作原理322 O9.6.5 總結：Watermark機制與輸出模式329 9.7 實例76：在處理流式數據時去除重複數據330 9.8 Structured

Streaming中的join操作332 O9.8.1 實例77：在Stream-Static模式下的inner join操作333 O9.8.2 實例78：在Stream-Stream模式下的inner join操作335 O9.8.3 總結：已經支持的join操作340 9.9 在Structured Streaming中實現數據分組， 並手動維護分組狀態3  

腦部損傷病人執行胸腔震顫物理治療對腦組織灌流之影響及其影響因素

為了解決flume下載的問題，作者邱存梅 這樣論述：

本研究目的在探討腦部損傷病人執行胸腔震顫物理治療對腦組織灌流包含：顱內壓、平均動脈壓、腦灌流壓、血氧飽和度之影響，採縱貫性研究並以立意取樣共收集40位病人，依研究設計由研究者進行床邊胸腔震顫物理治療、實際收集病歷資料及下載生理數據，並將所得資料以配對t檢定、重複測量變異數分析、皮爾森積差相關、多元線性迴歸分析，進行統計分析，所得結果分述如下：一、腦部損傷病人執行胸腔震顫物理治療過程之顱內壓以治療前最低、治療中最高，隨著治療時間增加顱內壓呈現逐漸上升的趨勢，於治療結束後顱內壓逐漸回復。胸腔震顫物理治療前、中、後之顱內壓具有高度正相關，且昏迷指數、手術日數及顱骨切除術於執行胸腔震顫物理治療過程之

顱內壓呈顯著差異，故預測模型為：胸腔震顫物理治療前顱內壓=12.11-3.57×手術日數(0,1)+4.63×顱骨切除術(0,1)；胸腔震顫物理治療中顱內壓=18.07-3.99×手術日數(0,1)+3.43×顱骨切除術(0,1)；胸腔震顫物理治療後顱內壓=17.02-5.46×手術日數(0,1)。二、腦部損傷病人執行胸腔震顫物理治療過程之平均動脈壓以治療前最低、治療中最高，平均動脈壓隨著顱內壓上升而增加，而影響平均動脈壓的因素則較不明確。三、腦部損傷病人執行胸腔震顫物理治療過程之腦灌流壓以治療後最低、治療前最高，治療過程腦灌流壓呈現逐步下降的趨勢但仍能維持足夠的腦組織灌流，手術日數於執行胸腔

震顫物理治療之腦灌流壓呈顯著差異。四、腦部損傷病人執行胸腔震顫物理治療時血氧飽和度會下降，雖未達顯著差異，亦表示執行胸腔震顫物理治療過程未造成病人腦組織缺氧。本研究結果可提供神經外科加護病房醫護人員對於腦部損傷病人執行胸腔震顫物理治療時之照護指引，治療前審慎評估及確認病人之顱內壓，治療時維持頭頸一直線且配合改良式姿位引流，密切監控顱內壓及腦灌流壓，並將胸腔震顫物理治療流程標準化，透過預測模型估計影響顱內壓的幅度，減少二度腦損傷情形，建立安全的處置照護。