二、Hadoop 基础知识综述

Hadoop 基础知识综述

在当今大数据领域，Hadoop 已然成为处理海量数据的关键技术之一。本文将对 Hadoop 的基础知识进行专业阐述，以助力读者全面了解这一强大的分布式计算框架。

一、Hadoop 概述

Hadoop 是一个开源的分布式计算框架，主要用于存储和处理大规模数据集。其设计初衷是在由普通硬件构成的集群上运行，具备高可靠性、高扩展性和高效性。Hadoop 基于谷歌的 MapReduce 和 Google File System（GFS）的理念开发，能够在数千台服务器上并行处理数据，使得大数据处理更加便捷高效。

二、Hadoop 核心组件

（一）Hadoop 分布式文件系统（HDFS）

  1. 架构
  • HDFS 采用主从（Master-Slave）架构体系。主要由一个 NameNode 和多个 DataNode 组成。
  • NameNode 作为 HDFS 的管理节点，负责管理文件系统的命名空间、目录结构、文件和块的元数据等。犹如文件系统的“核心中枢”，存储着文件系统的全部元信息。
  • DataNode 是 HDFS 的存储节点，负责实际存储数据块。数据以块（block）的形式存储在 DataNode 上，默认块大小为 128MB（在 Hadoop 3.x 中可进行配置）。每个数据块会在多个 DataNode 上进行冗余备份，以提升数据的可靠性。
  1. 数据存储原理
  • 当用户向 HDFS 写入文件时，文件会被分割成多个数据块。NameNode 会依据数据块的副本策略（通常为默认 3 份），确定每个数据块在哪些 DataNode 上存储。随后，客户端将数据块直接写入对应的 DataNode。DataNode 会定期向 NameNode 发送心跳信号和块报告，以告知 NameNode 自身的状态以及所存储的数据块信息。
  • 当用户读取文件时，客户端首先向 NameNode 请求文件的元数据，包括文件块的位置信息。接着，客户端直接从 DataNode 读取数据块，并将它们合并成完整的文件。
  1. 优势
  • 高容错性：数据块的冗余存储使得 HDFS 能够在节点故障时自动恢复数据，确保数据的可靠性。
  • 适用于大规模数据存储：能够存储海量数据，并且可通过增加 DataNode 轻松扩展存储容量。
  • 流式数据访问：适合一次写入、多次读取的大规模数据集处理场景，对于顺序读取数据具有很高的效率。

（二）MapReduce

  1. 原理
  • MapReduce 是一种编程模型，用于大规模数据集的并行处理。它将计算任务划分为两个阶段：Map 阶段和 Reduce 阶段。
  • Map 阶段：每个输入记录都会被一个 Map 函数处理。Map 函数会读取输入数据，对其进行处理，并产生一组中间键值对。例如，在一个单词计数的应用中，Map 函数可能会将每一行文本分割成单词，并输出每个单词及其出现次数为键值对（如<单词,1>）。
  • Reduce 阶段：Reduce 函数会接收具有相同键的所有中间键值对，并对它们进行合并和进一步处理，最终产生输出结果。在单词计数示例中，Reduce 函数会将所有相同单词的出现次数相加，得到每个单词在整个数据集中的总出现次数。
  1. 工作流程
  • 输入数据首先会被分割成多个输入分片（Input Split），每个分片会由一个 Map 任务处理。
  • Map 任务在处理完输入分片后，会将产生的中间键值对进行分区（Partition），相同分区的数据会被发送到同一个 Reduce 任务。
  • 在 Reduce 任务执行之前，会对中间数据进行排序（Sort）和合并（Combine，可选）操作，以提高处理效率。
  • Reduce 任务处理完数据后，会将最终结果输出到 HDFS 或其他存储系统。
  1. 优点
  • 易于编程：开发人员只需关注 Map 和 Reduce 函数的实现，无需操心分布式计算的细节，如数据分区、任务调度等。
  • 高度可扩展性：可以在数千台服务器上并行运行，处理大规模数据。
  • 容错性：Hadoop 能够自动处理任务失败，重新调度失败的任务，保证计算的可靠性。

三、Hadoop 的其他重要组件

（一）YARN（Yet Another Resource Negotiator）

  1. 作用
  • YARN 是 Hadoop 2.0 引入的资源管理系统，负责整个集群的资源管理和调度。
  • 它将资源管理和作业调度分离，使得 Hadoop 能够支持更多类型的计算框架，如 Spark、Flink 等在 Hadoop 集群上运行。
  1. 架构
  • YARN 主要由三个组件组成：ResourceManager、NodeManager 和 ApplicationMaster。
  • ResourceManager：是集群资源的管理者，负责整个集群资源的分配和调度。它接收来自各个节点的资源报告，并根据应用程序的资源需求分配资源。
  • NodeManager：运行在每个计算节点上，负责管理本节点的资源，如 CPU、内存、磁盘等。它会定期向 ResourceManager 汇报本节点的资源使用情况，并接收 ResourceManager 的指令来启动和停止任务。
  • ApplicationMaster：每个应用程序都会有一个 ApplicationMaster，它负责向 ResourceManager 申请资源，并与 NodeManager 协同工作来执行任务。例如，在一个 MapReduce 作业中，ApplicationMaster 会负责协调 Map 任务和 Reduce 任务的执行，监控任务的进度和状态。
  1. 资源调度策略
  • YARN 支持多种资源调度策略，如 FIFO（First In First Out，先进先出）、Capacity Scheduler（容量调度器）和 Fair Scheduler（公平调度器）。
  • FIFO 调度策略按照作业提交的顺序执行，先提交的作业先执行，适用于单个大作业的场景。但在多用户环境下，可能会导致一些小作业长时间等待。
  • Capacity Scheduler 允许为不同的用户或队列分配一定的资源容量，保证每个队列都能获得一定的资源来运行作业。它适合多用户、多团队共享集群资源的场景，可以根据用户需求进行资源分配的定制。
  • Fair Scheduler 旨在为所有运行的作业提供公平的资源分配，使每个作业都能获得大致相等的资源份额。它会根据作业的资源需求和运行时间动态调整资源分配，确保小作业也能及时得到处理。

（二）Hive

  1. 简介
  • Hive 是基于 Hadoop 的一个数据仓库工具，它可以将结构化的数据文件映射为一张数据库表，并提供类似 SQL 的查询语言（HiveQL），使得用户能够方便地进行海量数据的离线处理和分析。
  • Hive 本质上是将 HiveQL 语句转换为 MapReduce 任务在 Hadoop 集群上执行，因此它适合处理大规模的、对实时性要求不高的数据处理任务。
  1. 数据模型
  • Hive 支持多种数据模型，包括表（Table）、分区（Partition）和桶（Bucket）。
  • 表：是 Hive 中最基本的数据存储单元，类似于关系数据库中的表。可以定义表的结构，包括列名、数据类型等。
  • 分区：是为了方便数据管理和查询优化而引入的概念。可以根据某个字段（如日期）对表进行分区，不同分区的数据存储在不同的目录下。这样在查询时，可以根据分区条件快速定位到需要的数据，减少数据扫描量。
  • 桶：是对表或分区进行进一步划分的方式，它是根据某个字段的值进行哈希划分，将数据分配到不同的桶中。桶的作用主要是用于数据采样和一些基于哈希的查询优化。
  1. HiveQL 基本操作
  • 创建表：可以使用 CREATE TABLE 语句创建 Hive 表，并指定表的结构和存储格式等。例如：
CREATE TABLE student (
id INT,
name STRING,
age INT
)
ROW FORMAT DELIMITED
FIELDS TERMINATED BY ','
STORED AS TEXTFILE;
  • 插入数据：可以使用 INSERT INTO 或 LOAD DATA 语句向表中插入数据。例如：
-- 从本地文件系统加载数据到表中
LOAD DATA LOCAL INPATH '/path/to/data.csv' INTO TABLE student;
-- 通过查询结果插入数据
INSERT INTO TABLE student2 SELECT id, name FROM student WHERE age > 18;
  • 查询数据：使用 SELECT 语句进行数据查询，其语法与标准 SQL 类似。例如：
SELECT name, age FROM student WHERE age > 20 ORDER BY age DESC;

（三）HBase

  1. 简介
  • HBase 是一个分布式的、面向列的开源数据库，它基于 Hadoop HDFS 存储，提供了对大规模数据的实时读写访问能力。
  • HBase 适合存储需要随机读写、实时性要求较高的大数据集，如物联网数据、用户行为数据等。
  1. 数据模型
  • HBase 表由行键（Row Key）、列族（Column Family）和列限定符（Column Qualifier）组成。
  • 行键：是表中每行数据的唯一标识，用于快速查找和排序数据。行键的设计非常重要，它会影响数据在 HBase 中的存储分布和查询性能。
  • 列族：是一组相关列的集合，在创建表时需要预先定义列族。列族中的列可以动态添加，每个列都有一个时间戳，用于记录数据的版本。
  • 列限定符：用于进一步区分列族中的列，它和列族一起构成了列的完整标识。例如，一个表中有一个列族 info，其中可以包含列限定符 name、age 等。
  1. 操作示例
  • 创建表：
import org.apache.hadoop.hbase.HBaseConfiguration;
import org.apache.hadoop.hbase.client.Admin;
import org.apache.hadoop.hbase.client.Connection;
import org.apache.hadoop.hbase.client.ConnectionFactory;
import org.apache.hadoop.hbase.client.TableDescriptor;
import org.apache.hadoop.hbase.client.TableDescriptorBuilder;
import org.apache.hadoop.hbase.util.Bytes;
public class HBaseCreateTableExample {
public static void main(String[] args) throws Exception {
// 创建 HBase 配置
org.apache.hadoop.conf.Configuration config = HBaseConfiguration.create();
// 创建 HBase 连接
Connection connection = ConnectionFactory.createConnection(config);
// 获取 HBase 管理员
Admin admin = connection.getAdmin();
// 定义表名
String tableName = "my_table";
// 定义列族
byte[] family1 = Bytes.toBytes("cf1");
byte[] family2 = Bytes.toBytes("cf2");
// 创建表描述符
TableDescriptorBuilder tableDescriptorBuilder = TableDescriptorBuilder.newBuilder(Bytes.toBytes(tableName));
tableDescriptorBuilder.setColumnFamily(TableDescriptorBuilder.newBuilder(family1).build());
tableDescriptorBuilder.setColumnFamily(TableDescriptorBuilder.newBuilder(family2).build());
// 创建表
admin.createTable(tableDescriptorBuilder.build());
// 关闭连接
admin.close();
connection.close();
}
}
  • 插入数据：
import org.apache.hadoop.hbase.HBaseConfiguration;
import org.apache.hadoop.hbase.client.Connection;
import org.apache.hadoop.hbase.client.ConnectionFactory;
import org.apache.hadoop.hbase.client.Put;
import org.apache.hadoop.hbase.client.Table;
import org.apache.hadoop.hbase.util.Bytes;
public class HBaseInsertDataExample {
public static void main(String[] args) throws Exception {
// 创建 HBase 配置
org.apache.hadoop.conf.Configuration config = HBaseConfiguration.create();
// 创建 HBase 连接
Connection connection = ConnectionFactory.createConnection(config);
// 获取表
Table table = connection.getTable(Bytes.toBytes("my_table"));
// 插入数据
Put put = new Put(Bytes.toBytes("row1"));
put.addColumn(Bytes.toBytes("cf1"), Bytes.toBytes("col1"), Bytes.toBytes("value1"));
put.addColumn(Bytes.toBytes("cf2"), Bytes.toBytes("col2"), Bytes.toBytes("value2"));
table.put(put);
// 关闭表和连接
table.close();
connection.close();
}
}
  • 查询数据：
import org.apache.hadoop.hbase.HBaseConfiguration;
import org.apache.hadoop.hbase.client.Connection;
import org.apache.hadoop.hbase.client.ConnectionFactory;
import org.apache.hadoop.hbase.client.Result;
import org.apache.hadoop.hbase.client.ResultScanner;
import org.apache.hadoop.hbase.client.Scan;
import org.apache.hadoop.hbase.client.Table;
import org.apache.hadoop.hbase.util.Bytes;
public class HBaseQueryDataExample {
public static void main(String[] args) throws Exception {
// 创建 HBase 配置
org.apache.hadoop.conf.Configuration config = HBaseConfiguration.create();
// 创建 HBase 连接
Connection connection = ConnectionFactory.createConnection(config);
// 获取表
Table table = connection.getTable(Bytes.toBytes("my_table"));
// 创建扫描器
Scan scan = new Scan();
scan.addColumn(Bytes.toBytes("cf1"), Bytes.toBytes("col1"));
// 扫描数据
ResultScanner scanner = table.getScanner(scan);
for (Result result : scanner) {
byte[] value = result.getValue(Bytes.toBytes("cf1"), Bytes.toBytes("col1"));
System.out.println("Value: " + Bytes.toString(value));
}
// 关闭扫描器和表
scanner.close();
table.close();
connection.close();
}
}

四、Hadoop 的安装与配置

  1. 系统要求
  • Hadoop 能够运行在多种操作系统上，如 Linux（推荐）、Windows（需要一些额外配置）等。
  • 硬件要求：一般需要具备足够的内存（建议至少 4GB 以上）、CPU 核心数以及磁盘空间，具体要求依据数据规模和处理任务而定。
  1. 安装步骤（以 Linux 为例）
  • 下载 Hadoop 安装包：可从 Hadoop 官方网站（https://hadoop.apache.org/）下载合适的版本。
  • 解压安装包：将下载的压缩包解压至指定目录，如 /opt/hadoop。
  • 配置环境变量：编辑 ~/.bashrc 文件，添加 Hadoop 的相关环境变量，例如：
export HADOOP_HOME=/opt/hadoop
export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin
  • 配置 Hadoop 文件：
  • hadoop-env.sh：设置 Java 环境变量，指定 JAVA_HOME。
  • core-site.xml：配置 HDFS 的 NameNode 地址和端口等信息，例如：
<configuration>
<property>
<name>fs.defaultFS</name>
<value>hdfs://localhost:9000</value>
</property>
</configuration>
  • hdfs-site.xml：配置 HDFS 的相关参数，如数据块副本数、数据存储目录等，例如：
<configuration>
<property>
<name>dfs.replication</name>
<value>3</value>
</property>
<property>
<name>dfs.namenode.name.dir</name>
<value>/opt/hadoop/data/namenode</value>
</property>
<property>
<name>dfs.datanode.data.dir</name>
<value>/opt/hadoop/data/datanode</value>
</property>
</configuration>
  • mapred-site.xml（如果是 Hadoop 2.x 及以上版本，需要从模板文件复制并命名为 mapred-site.xml）：配置 MapReduce 的相关参数，如作业运行模式等，例如：
<configuration>
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
</configuration>
  • yarn-site.xml：配置 YARN 的相关参数，如 ResourceManager 地址和端口等，例如：
<configuration>
<property>
<name>yarn.resourcemanager.hostname</name>
<value>localhost</value>
</property>
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
</configuration>
  • 格式化 HDFS 文件系统（首次使用时需要执行）：
hdfs namenode -format
  • 启动 Hadoop 集群：
  • 启动 HDFS：
start-dfs.sh
  • 启动 YARN：
start-yarn.sh
  1. 验证安装
  • 可以通过浏览器访问 Hadoop 的 Web 界面来验证安装是否成功。例如，访问 NameNode 的 Web 界面 http://localhost:50070（默认端口可能会因配置不同而有所变化），可以查看 HDFS 的相关信息，如文件系统状态、节点信息等。
  • 也可以在命令行执行一些 Hadoop 命令，如 hadoop fs -ls / 查看 HDFS 根目录下的文件和目录。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.rhkb.cn/news/456824.html

如若内容造成侵权/违法违规/事实不符，请联系长河编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

CSS行块标签的显示方式

CSS行块标签的显示方式

块级元素 标签&#xff1a;h1-h6&#xff0c;p,div,ul,ol,li,dd,dt 特点&#xff1a; &#xff08;1&#xff09;如果块级元素不设置默认宽度&#xff0c;那么该元素的宽度等于其父元素的宽度。 &#xff08;2&#xff09;所有的块级元素独占一行显示. &#xff08;3&#xff…
阅读更多...
海外云手机怎样助力亚马逊店铺运营？

海外云手机怎样助力亚马逊店铺运营？

随着全球化的发展&#xff0c;越来越多的企业开始重视海外市场的拓展&#xff0c;尤其是出海企业和B2B外贸企业。亚马逊作为全球最大的电商平台之一&#xff0c;成为了许多企业争夺国际市场的重点战场。本文将深入分析海外云手机在优化亚马逊店铺引流中的作用和优势&#xff0c…
阅读更多...
怿星科技薛春宇丨智能汽车软件研发工具链国产化的挑战和探索

怿星科技薛春宇丨智能汽车软件研发工具链国产化的挑战和探索

2024年7月25日&#xff0c;由上海良益企业管理咨询有限公司主办的“2024域控制器技术论坛“在上海成功举办&#xff0c;十位嘉宾做了精彩分享。“整零有道”将陆续刊出部分演讲的文字实录&#xff0c;以飨读者。 本期刊出怿星科技副总经理薛春宇的演讲实录&#xff1a;智能汽车…
阅读更多...
如何用 obdiag 排查 OceanBase数据库的卡合并问题——《OceanBase诊断系列》14

如何用 obdiag 排查 OceanBase数据库的卡合并问题——《OceanBase诊断系列》14

1. 背景 卡合并在OceanBase中是一个复杂的问题&#xff0c;其产生可能源于多种因素。目前&#xff0c;对于卡合并的明确界定尚不存在统一标准&#xff0c;一方面&#xff0c;我们界定超过36小时未完成合并为合并超时&#xff0c;此时RS会记录ERROR日志&#xff1b;另一方面&am…
阅读更多...
ArkUI自定义TabBar组件

ArkUI自定义TabBar组件

在ArkUI中的Tabs&#xff0c;通过页签进行内容视图切换的容器组件&#xff0c;每个页签对应一个内容视图。其中内容是图TabContent作为Tabs的自组件&#xff0c;通过给TabContent设置tabBar属性来自定义导航栏样式。现在我们就根据UI设计的效果图来实现下图效果&#xff1a; 根…
阅读更多...
Python | Leetcode Python题解之第508题出现次数最多的子树元素和

Python | Leetcode Python题解之第508题出现次数最多的子树元素和

题目&#xff1a; 题解&#xff1a; class Solution:def findFrequentTreeSum(self, root: TreeNode) -> List[int]:cnt Counter()def dfs(node: TreeNode) -> int:if node is None:return 0sum node.val dfs(node.left) dfs(node.right)cnt[sum] 1return sumdfs(r…
阅读更多...
设计模式（二）工厂模式详解

设计模式（二）工厂模式详解

设计模式&#xff08;二&#xff09;工厂模式详解 简单工厂模式指由一个工厂对象来创建实例,适用于工厂类负责创建对象较少的情况。例子&#xff1a;Spring 中的 BeanFactory 使用简单工厂模式&#xff0c;产生 Bean 对象。 工厂模式简介 定义&#xff1a;工厂模式是一种创建…
阅读更多...
AnaTraf | 全面掌握网络健康状态：全流量的分布式网络性能监测系统

AnaTraf | 全面掌握网络健康状态：全流量的分布式网络性能监测系统

AnaTraf 网络性能监控系统NPM | 全流量回溯分析 | 网络故障排除工具AnaTraf网络流量分析仪是一款基于全流量&#xff0c;能够实时监控网络流量和历史流量回溯分析的网络性能监控与诊断系统&#xff08;NPMD&#xff09;。通过对网络各个关键节点的监测&#xff0c;收集网络性能…
阅读更多...
【计算机网络 - 基础问题】每日 3 题（五十七）

【计算机网络 - 基础问题】每日 3 题（五十七）

✍个人博客&#xff1a;https://blog.csdn.net/Newin2020?typeblog &#x1f4e3;专栏地址&#xff1a;http://t.csdnimg.cn/fYaBd &#x1f4da;专栏简介&#xff1a;在这个专栏中&#xff0c;我将会分享 C 面试中常见的面试题给大家~ ❤️如果有收获的话&#xff0c;欢迎点赞…
阅读更多...
代谢组数据分析（二十）：通过WGCNA识别核心代谢物

代谢组数据分析（二十）：通过WGCNA识别核心代谢物

禁止商业或二改转载，仅供自学使用，侵权必究，如需截取部分内容请后台联系作者! 文章目录 介绍识别核心基因加载R包导入数据数据预处理检查数据完整性计算软阈值soft根据软阈值构建接矩阵和拓扑重叠矩阵聚类并构建网络拓扑重叠热图查看具体模块的代谢物表达热图识别表型相关模…
阅读更多...
sharpkeys-键盘部分按键不好用，用其它不常用按键代替

sharpkeys-键盘部分按键不好用，用其它不常用按键代替

sharpkeys-键盘部分按键不好用&#xff0c;用其它不常用按键代替 文章目录
阅读更多...
linux网络编程5——Posix API和网络协议栈，使用TCP实现P2P通信

linux网络编程5——Posix API和网络协议栈，使用TCP实现P2P通信

文章目录 Posix API和网络协议栈&#xff0c;使用TCP实现P2P通信1. socket()2. bind()3. listen()4. connect()5. accept()6. read()/write(), recv()/send()7. 内核tcp数据传输7.1 TCP流量控制7.2 TCP拥塞控制——慢启动/拥塞避免/快速恢复/快速重传 8. shutdown()9. close()9…
阅读更多...
Python游戏开发超详细第二课/一个小游戏等制作过程（入门级篇共2节）

Python游戏开发超详细第二课/一个小游戏等制作过程（入门级篇共2节）

直播内容&#xff0c;这里都用大多用照片代替了哈&#xff0c;因为在写一遍很累&#xff0c;哥哥姐姐理解一下抱歉抱歉 一个是我懒的写一遍&#xff0c;但是刚学的兄弟姐妹可不许学我偷懒哈 二防止有人偷懒&#xff0c;直接复制粘贴代码&#xff0c;所以为了方便帮助你们学习&a…
阅读更多...
基于docker 部署redis

基于docker 部署redis

1、拉取镜像 docker pull redis:latest如果拉取失败可以尝试下配置镜像源&#xff0c;具体参考如下&#xff0c;目前暂可以使用 Docker切换镜像源-CSDN博客 2、创建配置文件 mkdir /usr/local/redis/conf vim redis.conf bind 0.0.0.0#protected-mode no port 6379 tcp-b…
阅读更多...
新手直播方案

新手直播方案

简介 新手直播方案 &#xff0c;低成本方案 手机/电脑 直接直播手机软件电脑直播手机采集卡麦电脑直播多摄像机 机位多路采集卡 多路麦加电脑&#xff08;高成本方案&#xff09; 直播推流方案 需要摄像头 方案一 &#xff1a;手机 电脑同步下载 网络摄像头 软件&#xff08…
阅读更多...
【南方科技大学】CS315 Computer Security 【Lab6 IoT Security and Wireless Exploitation】

【南方科技大学】CS315 Computer Security 【Lab6 IoT Security and Wireless Exploitation】

目录 Introduction (Part 1: OS Security for IoT )Software RequirementsStarting the Lab 6 Virtual MachineSetting up the Zephyr Development EnvironmentDownload the Zephyr Source CodeInstalling Requirements and DependenciesSetting the Project’s Environment Va…
阅读更多...
【linux】服务器Ubuntu20.04安装cuda11.8教程

【linux】服务器Ubuntu20.04安装cuda11.8教程

【linux】服务器Ubuntu20.04安装cuda11.8教程 文章目录 【linux】服务器Ubuntu20.04安装cuda11.8教程到官网找到对应版本下载链接终端操作cudnn安装到官网下载下载后解压进入解压后的目录&#xff1a;将头文件复制到 /usr/local/cuda/include/ 目录&#xff1a;将库文件复制到 …
阅读更多...
利用客户端导入有关联的业务数据（DBeaver+sql）

利用客户端导入有关联的业务数据（DBeaver+sql）

前言 最近有点坑&#xff0c;麻辣烫的活落手上了&#xff0c;上个迭代除了自己的开发任务&#xff0c;还有处理接手的工作。然后节后问题又多&#xff0c;还有前1个迭代没有测试的模块本迭代测试&#xff0c;烦死了。 这次这个数据处理的活&#xff0c;以后希望可以交出…
阅读更多...
mac电脑设置chrome浏览器语言切换为日语英语等不生效问题

mac电脑设置chrome浏览器语言切换为日语英语等不生效问题

在chrome中设置了语言&#xff0c;并且已经置顶了&#xff0c;但是不生效&#xff0c;在windows上直接有设置当前语言为chrome显示语言&#xff0c;但是mac上没有。 解决办法 在系统里面有一个单独给chrome设置语言的&#xff1a; 单独给它设定成指定的语言&#xff0c;然后重…
阅读更多...
川渝地区计算机考研择校分析

川渝地区计算机考研择校分析

C哥专业提供——计软考研院校选择分析专业课备考指南规划 添加图片注释&#xff0c;不超过 140 字&#xff08;可选&#xff09; 根据最新数据分析,5所高校计算机专业2025年考研难度从高到低预计为: 电子科技大学 >> 四川大学 > 重庆大学 ≈ 西南交通大学 > 西南…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023