TiDB 分布式数据库常见操作
TiDB 是一个开源的分布式关系数据库,它支持水平扩展、高可用性、在线DDL以及兼容MySQL协议。V哥在使用过 TiDB后,感觉就是两个字“倍爽”,因为 TiDB是天然的分布式数据库,让你彻底告别分库分表的时代,具说某呼就是使用的 TiDB数据库,更有很多金融机构在使用,下面是V 哥整理的一些在TiDB中常用的操作和概念,带你快速入门 TiDB:
1. 部署和配置:
- TiDB可以使用TiUP进行一键部署,TiUP是官方提供的TiDB管理工具。
- 配置文件(如 TiDB、PD、TiKV 的配置文件)需要根据实际的服务器资源和业务需求进行调整。
2. 数据迁移:
- 使用mydumper和loader工具可以将MySQL中的数据迁移到TiDB。
- TiDB也支持使用DM (Data Migration) 工具进行全量及增量数据迁移。
3. 性能监控和优化:
- TiDB集成了Prometheus和Grafana用于监控。
- 使用TiDB Dashboard可以查看实时的性能数据和执行计划。
- 对于性能问题,可以通过调整SQL语句、索引优化、配置参数调整等方法进行优化。
4. SQL操作:
- TiDB兼容大部分MySQL语法,所以你可以使用标准的SQL语句进行数据操作。
- 支持在线DDL,可以在不改表结构的情况下进行索引添加、字段修改等操作。
5. 备份与恢复:
- 使用br (Backup & Restore) 工具可以进行数据的备份和恢复。
- 支持全量备份和增量备份。
6. 故障转移和灾难恢复:
- TiDB通过多副本机制保证了数据的可靠性。
- 在发生故障时,系统会自动进行Leader选举和故障转移。
7. 扩容和缩容:
- TiDB支持在线扩容和缩容,可以在不中断服务的情况下增加或减少TiKV节点。
8. 安全性:
- 可以配置TiDB使用TLS/SSL进行加密传输。
- 支持基于角色的访问控制(RBAC)。
在使用TiDB时,建议详细阅读官方文档,并根据具体的使用场景和需求进行配置和优化。同时,由于TiDB是一个不断发展的项目,建议关注官方的更新和社区动态,以了解最新的特性和改进。
下面是一些TiDB的常用操作示例:
1. 部署TiDB集群
使用TiUP部署TiDB集群的一个基本示例:
tiup cluster deploy <cluster-name> <version> <topology.yaml> -u <user> -p
这里的<cluster-name>
是集群的名字,<version>
是TiDB的版本号,<topology.yaml>
是集群拓扑配置文件,<user>
是目标机器的用户名。
2. 启动和关闭集群
启动集群:
tiup cluster start <cluster-name>
关闭集群:
tiup cluster stop <cluster-name>
3. 数据迁移
从MySQL迁移数据到TiDB:
mydumper -h <mysql-host> -u <mysql-user> -p<mysql-password> -P <mysql-port> -B <db-name> -T <table-name> -o <output-dir>
loader -h <tidb-host> -u <tidb-user> -p <tidb-password> -P <tidb-port> -D <db-name> <output-dir>
4. SQL操作
在TiDB中执行SQL查询:
CREATE DATABASE IF NOT EXISTS test_db;
USE test_db;
CREATE TABLE users (id INT PRIMARY KEY, name VARCHAR(255));
INSERT INTO users (id, name) VALUES (1, 'Alice'), (2, 'Bob');
SELECT * FROM users WHERE id = 1;
5. 备份和恢复
使用br工具进行全量备份:
br backup full --pd <pd-address> --storage "local:///path/to/backup"
从备份中恢复数据:
br restore full --pd <pd-address> --storage "local:///path/to/backup"
6. 监控和性能调优
通过Grafana查看监控数据:
打开浏览器,访问TiDB集群的Grafana地址(通常是http://<pd-ip>:3000
)。
7. 扩容和缩容
增加一个TiKV节点:
tiup cluster scale-out <cluster-name> <scale-out.yaml>
移除一个TiKV节点:
tiup cluster scale-in <cluster-name> <scale-in.yaml>
这里的<scale-out.yaml>和<scale-in.yaml>是扩容和缩容的配置文件。
8. 安全设置
配置TiDB使用TLS:
- 在TiDB、PD、TiKV的配置文件中设置TLS相关的参数。
- 使用tiup cluster reload命令重新加载配置。
这些示例展示了TiDB的一些基本操作。实际使用时,你可能需要根据具体的业务需求和环境进行调整和优化。
推荐阅读
-
TiDB 分布式数据库常见操作
-
使用 winzip 生成的扩展名为 -ZIP 的压缩文件通常使用".zip "扩展名,其 MIME 格式为 application/zip。(推荐学习:phpstorm) 目前,ZIP 格式属于几种主流压缩格式之一,其竞争对手包括 RAR 格式和开源的 7z 格式。 从性能对比来看,RAR 和 7z 格式比 ZIP 格式压缩率更高,而 7-Zip 由于提供免费压缩工具而逐渐在更多领域得到应用。 微软从 Windows ME 操作系统开始就内置了对 zip 格式的支持,即使用户没有在电脑上安装解压软件,也可以打开和创建 zip 格式的压缩文件,OS X 和流行的 Linux 操作系统也提供了类似的 zip 格式支持。 因此,如果要在网络上传播和分发文件,zip 格式往往是最常见的选择。
-
四种常见的应用程序弹出窗口设计:吐司、对话框、操作栏和小工具栏。
-
Javascript 基础知识:常见的 Dom 基本操作
-
纯干货分享 | 研发效能提升——敏捷需求篇-而敏捷需求是提升效能的方式中不可或缺的模块之一。 云智慧的敏捷教练——Iris Xu近期在公司做了一场分享,主题为「敏捷需求挖掘和组织方法,交付更高业务价值的产品」。Iris具有丰富的团队敏捷转型实施经验,完成了企业多个团队从传统模式到敏捷转型的落地和实施,积淀了很多的经验。 这次分享主要包含以下2个部分: 第一部分是用户影响地图 第二部分是事件驱动的业务分析Event driven business analysis(以下简称EDBA) 用户影响地图,是一种从业务目标到产品需求映射的需求挖掘和组织的方法。 在软件开发过程中可能会遇到一些问题,比如大家使用不同的业务语言、技术语言,造成角色间的沟通阻碍,还会导致一些问题,比如需求误解、需求传递错误等;这会直接导致产品的功能需求和要实现的业务目标不是映射关系。 但在交付期间,研发人员必须要将这些需求实现交付,他们实则并不清楚这些功能需求产生的原因是什么、要解决客户的哪些痛点。研发人员往往只是拿到了解决方案,需要把它实现,但没有和业务侧一起去思考解决方案是否正确,能否真正的帮助客户解决问题。而用户影响地图通常是能够连接业务目标和产品功能的一种手段。 我们在每次迭代里加入的假设,也就是功能需求。首先把它先实现,再逐步去验证我们每一个小目标是否已经实现,再看下一个目标要是什么。那影响地图就是在这个过程中帮我们不断地去梳理目标和功能之间的关系。 我们在软件开发中可能存在的一些问题 针对这些问题,我们如何避免?先简单介绍做敏捷转型的常规思路: 先做团队级的敏捷,首先把产品、开发、测试人员,还有一些更后端的人员比如交互运维的同学放在一起,组成一个特训团队做交付。这个团队要包含交付过程中所涉及的所有角色。 接着业务敏捷要打通整个业务环节和研发侧的一个交付。上图中可以看到在敏捷中需求是分层管理的,第一层是业务需求,在这个层级是以用户目标和业务目标作为输入进行规划,同时需要去考虑客户的诉求。业务人员通过获取到的业务需求,进一步的和团队一起将其分解为产品需求。所以业务需求其实是我们真正去发布和运营的单元,它可以被独立发布到我们的生产环境上。我们的产品需求其实就是产品的具体功能,它是我们集成和测试的对象,也就是我们最终去部署到系统上的一个基本单元。产品需求再到了我们的开发团队,映射到迭代计划会上要把它分解为相应的技术任务,包括我们平时所说的比如一些前端的开发、后端的开发、测试都是相应的技术任务。所以业务敏捷要达到的目标是需要去持续顺畅高质量的交付业务价值。 将这几个点串起来,形成金字塔结构。最上层我们会把业务目标放在整个金字塔的塔尖。这个业务目标是通过用户的目标以及北极星指标确立的。确认业务目标后再去梳理相应的业务流程,最后生产。另外产品需求包含了操作流程和业务规则,具需求交付时间、工程时间以及我们的一些质量标准的要求。 谈到用户影响的地图,在敏捷江湖上其实有一个传说,大家都有一个说法叫做敏捷需求的“任督二脉”。用户影响地图其实就是任脉,在黑客马拉松上用过的用户故事地图其实叫督脉。所以说用户影响地图是在用户故事地图之前,先帮我们去梳理出我们要做哪些东西。当我们真正识别出我们要实现的业务活动之后,用户故事地图才去梳理我们整个的业务工作流,以及每个工作流节点下所要包含的具体功能和用户故事。所以说用户影响地图需要解决的问题,我们包括以下这些: 首先是范围蔓延,我们在整张地图上,功能和对应的业务目标是要去有一个映射的。这就避免了一些在我们比如有很多干系人参与的会议上,那大家都有不同想法些立场,会提出很多需求(正确以及错误的需求)。这个时候我们会依据目标去看这些需求是否真的是会影响我们的目标。 这里提到的错误需求,比如是利益相关的人提出的、客户认为产品应该有的、某个产品经理需求分析师认为可以有的....但是这些功能在用户影响地图中匹配不到对应目标的话,就需要降低优先级或弃掉。另外,通常我们去制定解决方案的时候,会考虑较完美的实现,导致解决方案括很多的功能。这个时候关键目标至关重要,会帮助我们梳理筛选、确定优先级。 看一下用户影响到地图概貌 总共分为一个三层的结构: 第一层why,你的业务目标哪个是最重要的,为什么?涉及到的角色有哪些? 第二层how ,怎样产生影响?影响用户角色什么样的行为? (不需要去列出所有的影响,基于业务目标) 第三层what,最关键的是在梳理需求时不需一次把所有细节想全,这通常团队中经常遇到的问题。 我们用这个例子来看一下 这是一个客服中心的影响地图,业务目标是 3个月内不增加客服人数的前提下能支持1.5倍的用户数。此业务目标设定是符合 smart 原则的,specific非常的具体,miserable 是可以衡量的,action reoriented是面向活动的, real list 也是很实际的。 量化的目标会指引我们接下来的行动,梳理一个业务目标,尽量去量化,比如 :我们通过打造一条什么样的流水线,能够提高整个部署的效率,时间是原来的 1/2 。这样才是一个能量化的有意义的目标。 回到这幅图, how 层级识别出来的内容,客服角色:想要对它施加的影响,把客户引导到论坛上,帮助客户更容易的跟踪问题,更快速的去定位问题。初级用户:方论坛上找到问题。高级用户:在论坛上回答问题。通过我们这些用户角色,进行活动,完成在不增加客户客服人数的前提下支持更多的用户数量。 最后一个层级,才是我们日常接触比较多的真正的功能的特性和需求,比如引导到客户到论坛上,其实这个产品就需要有一个常见问题的论坛的链接。这个层次需要我们团队进一步地在交付,在每个迭代之前做进一步的梳理,细化成相应的用户故事。 这个是云智慧团队中,自己做的影响地图的范例,可以看下整个的层级结构。序号表示优先级。 那我们用户影响地图可以总结为:
-
Python 与 Excel 的完美结合:常见操作汇总(案例研究)
-
[姿势估计] 实践记录:使用 Dlib 和 mediapipe 进行人脸姿势估计 - 本文重点介绍方法 2):方法 1:基于深度学习的方法:。 基于深度学习的方法:基于深度学习的方法利用深度学习模型,如卷积神经网络(CNN)或递归神经网络(RNN),直接从人脸图像中学习姿势估计。这些方法能够学习更复杂的特征表征,并在大规模数据集上取得优异的性能。方法二:基于二维校准信息估计三维姿态信息(计算机视觉 PnP 问题)。 特征点定位:人脸姿态估计的第一步是通过特征点定位来检测和定位人脸的关键点,如眼睛、鼻子和嘴巴。这些关键点提供了人脸的局部结构信息,可用于后续的姿势估计。 旋转表示:常见的旋转表示方法包括欧拉角和旋转矩阵。欧拉角通过三个旋转角度(通常是俯仰、偏航和滚动)描述头部的旋转姿态。旋转矩阵是一个 3x3 矩阵,表示头部从一个坐标系到另一个坐标系的变换。 三维模型重建:根据特征点的定位结果,三维人脸模型可用于姿势估计。通过将人脸的二维图像映射到三维模型上,可以估算出人脸的旋转和平移信息。这就需要建立人脸的三维模型,然后通过优化方法将模型与特征点对齐,从而获得姿势估计结果。 特征点定位 特征点定位是用于检测人脸关键部位的五官基础部分,还有其他更多的特征点表示方法,大家可以参考我上一篇文章中介绍的特征点检测方案实践:人脸校正二次定位操作来解决人脸校正的问题,客户在检测关键点的代码上略有修改,坐标转换部分客户见上图 def get_face_info(image). img_copy = image.copy image.flags.writeable = False image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) results = face_detection.process(image) # 在图像上绘制人脸检测注释。 image.flags.writeable = True image = cv2.cvtColor(image, cv2.COLOR_RGB2BGR) box_info, facial = None, None if results.detections: for detection in results. for detection in results.detections: mp_drawing.Drawing.detection = 无 mp_drawing.draw_detection(image, detection) 面部 = detection.location_data.relative_keypoints 返回面部 在上述代码中,返回的数据是五官(6 个关键点的坐标),这是用 mediapipe 库实现的,下面我们可以尝试用另一个库:dlib 来实现。 使用 dlib 使用 Dlib 库在 Python 中实现人脸关键点检测的步骤如下: 确保已安装 Dlib 库,可使用以下命令: pip install dlib 导入必要的库: 加载 Dlib 的人脸检测器和关键点检测器模型: 读取图像并将其灰度化: 使用人脸检测器检测图像中的人脸: 对检测到的人脸进行遍历,并使用关键点检测器检测人脸关键点: 显示绘制了关键点的图像: 以下代码将参数 landmarks_part 添加到要返回的关键点坐标中。
-
机器学习中的线性代数:常见操作入门指南
-
一篇文章:TiDB 和 MySQL 中的常见字符集和排序规则
-
常见实时操作系统 (RTOS) 简介(嵌入式和物联网操作系统)