2025 常用 linux 指令 top10 (个人向)

find /opt/modules/miniconda/envs/py3_10/lib/python3.10/site-packages/superset/examples -type f -name '*'| xargs -I {} bash -c "sed -i 's#data: https://github.com#data: https://ghfast.top/https://github.com#g' '{}'"find /opt/modules/miniconda/envs/py3_10/lib/python3.10/site-packages/superset/examples -type f -name '*' | xargs -I {} bash -c "sed -i 's#data: https://raw.githubusercontent.com#data: https://ghfast.top/https://raw.githubusercontent.com#g' '{}'"

扩展: linux 文件索引工具 locate

find 比较适合在特定目录中查找你要的文件，但如果你不确定文件的目录在哪，并且系统上文件很多，那 find 跑起来可能就要比较久了。这个时候 locate 是更适合的工具，因为它是先构建系统上所有文件的索引（相当于字典），再找起来速度就非常快

在 centos 和 ubuntu 上，locate 对应的安装包分别是 mlocate 和 plocate

# centosyum -y install mlocate# ubuntu# 注: ubuntu 安装时会自动进行索引构建，因此安装需要较长时间apt -y install plocate

构建索引的指令是 updatedb，索引存储目录在 /var/lib/mlocate(或 plocate)

我在线上服务器实测，文件总数 450w，总存储 430G ，索引只需5分钟构建完成，索引文件大小仅为几十M

索引构建完成后，用文件名搜索，3秒内就搜出来了

dd

❝

记得还在读大学时，第一次把笔记本的机械硬盘换下来，再用一张 250G 的固态硬盘重装了系统，那重启之后的感觉，简直就如同体会了过年坐车回家之后，再体验坐高铁的爽感。不过这会再回想起来，好像还差一个疑问未解开：两种硬盘的速度具体相差多少，能否有办法实测出来，让自己有更深刻的印象呢

❞

dd 是 linux 自带、来自 coreutils^[4] 的一个指令，可以用于磁盘速度测试、制作硬盘镜像等

刚好我电脑上就插了 HDD 和 SDD 各一块盘，那就直接来测试一下吧

写速度测试

dd if=/dev/zero of=testfile bs=1G count=4 oflag=direct status=progress

如上图，执行这段指令后，会生成一个 1G 大小的文件

参数解释:

• count: 创建多少个文件块，最后会组合到同一个文件

• iflag, oflag: 输入和输出的方式，默认情况下会使用页缓存，不是真正的磁盘读写性能，direct 表示跳过内存缓存，这样就是比较真实的写入性能（ 还有 sync 、dsync 等更严格的参数 ）

• bs: 每个文件块的大小

• if: 文件读取来源, /dev/zero 将会让文件内容全都是 0， 还可以设置成 /dev/urandom 产生随机内容

以下是我在 HDD 和 SSD 分别运行同样指令的结果，可以计算得到 HDD 每秒的写入速度是 196 MB/s，SDD 每秒的写入速度是 929 MB/s 每秒，「SSD 比 HDD 快 4.7 倍」

读速度测试

接下来看看文件读取速度

dd if=testfile of=/dev/null bs=1G count=4 iflag=direct status=progress

of=/dev/null 表示数据从磁盘读取出来之后不会再写入其他的 IO 设备，因此最终速度就取决于磁盘读取速度

HDD 测试结果:

SSD 测试结果:

可以算出读速度相差是 5 倍，和写速度相差倍数差不多

扩展: fio

dd 只能模拟顺序写入、读取的操作，fio 还可以模拟随机读写，更接近磁盘使用的真实场景

# 随机写fio -filename=fiotest -direct=1 -iodepth=1 -end_fsync=1 -thread -rw=randwrite -ioengine=psync -bs=4M -size=4G -numjobs=1 -group_reporting -name=randwrite# 随机读fio -filename=fiotest -direct=1 -iodepth=1 -end_fsync=1 -thread -rw=randread -ioengine=psync -bs=4M -size=4G -numjobs=1 -group_reporting -name=randread

HDD 的随机读写结果:

SSD 的随机读写结果:

可以看出在随机读写的场景下，SSD 比 HDD 的速度提升更加明显，快百倍以上

s3cmd[5]

❝ 

定期备份自己电脑上的重要文件，是个好习惯。在工作中，定时备份重要文档同样重要。我通常会备份到对象存储（ 比如 ceph ）中。但它和个人用的网盘形式不太一样了，没有界面，需要借助指令手动上传

❞

s3 是最标准的对象存储协议，由 AWS 开发。我们可以通过 minio、 seaweedfs 等开源服务，快速搭建一个对象存储，然后就可以把它当做一个个人网盘，进行文件上传和下载操作了

那么通过什么指令可以进行文件操作呢？s3cmd 就是一个可以兼容 aws、minio 和其他公有云对象存储服务 api 协议的指令

安装 s3cmd

s3cmd 是 python 开发的，所以它的安装方式非常简单

pip install s3cmd

配置: ~/.s3cfg

在访问对象存储之前，我们需要在当前用户目录下放置 .s3cfg 文件，配置密钥

以访问在本地启动的 minio 地址 localhost:9000 为例：

# 下载 miniowget https://dl.min.io/server/minio/release/linux-amd64/minio# 启动./minio server --address :9000

# ~/.s3cfg[default]access_key = access keysecret_key = secret keyhost_base = localhost:9000host_bucket = localhost:9000/testuse_https = False

文件操作

和 linux 本地文件操作的指令基本类似

# 上传单个文件、目录s3cmd put --recursive shell-tools s3://test/coding/# 查看目录s3cmd ls s3://test/coding/# 下载文件s3cmd get s3://test/coding/shell-tools/README.md# 统计目录大小s3cmd du -H s3://test/coding/shell-tools# 删除目录s3cmd rm --recursive s3://test/paimon

示例：统计一张存入来自 flink datagen 产生的 1kw 条数据的 paimon 表（数据接入 minio ），并查看这个表实际占用磁盘空间大小:

HDFS

❝

大数据领域最经典的系统，希望以后还会更多地了解它

❞

既然说到了对象存储，去年笔者接触最多的组件 HDFS ，以及它的使用，自然也是非常值得回顾一下

安装 HDFS

HDFS 整个系统当然是非常复杂，不过既然它是一个 java 服务，安装还是比较简单的，从 apache 官网下载整个安装包即可

wget https://dlcdn.apache.org/hadoop/common/hadoop-3.3.6/hadoop-3.3.6.tar.gz

运行 minicluster[6]

最快速运行一个 HDFS 服务的方式就是通过 minicluster 来启动，一行指令就够，也不需要进行繁多的配置了

但「千万千万」注意: 最好不要在公司已经启动了 Hadoop 集群的环境中测试 minicluster，否则很容易不小心就对现有集群执行了 format （重置）操作了。除非你了解怎么把 minicluster 和集群配置区分开，否则最好就是在独立服务器中启动

minicluster 会启动一个最小的 HDFS 和 Yarn “集群”，默认启动一个datanode 作为存储服务，一个 resourcemanager 和一个 nodemanager 用于运行计算任务

【注意】最后的参数 -format 在第二次启动时就不用加了，否则会重置集群数据

./bin/mapred minicluster -Dhdfs.minidfs.basedir=~/modules/hadoop/data/minicluster -Dmapreduce.framework.name=yarn -Dyarn.resourcemanager.webapp.address=0.0.0.0:30071 -nnhttpport 30072 -rmport 30073 -writeConfig ~/modules/hadoop/etc/hadoop/minicluster/core-site.xml -writeDetails ~/modules/hadoop/etc/hadoop/minicluster/hdfs.json -format

访问 yarn 任务列表页面: http://localhost:30071/node

访问 namenode 页面: http://localhost:30072/dfshealth.html#tab-overview

启动后，我们就可以像在真正的 HDFS 集群环境那样，通过 hdfs 指令对本地的 minicluster 进行文件操作了

# 后续执行 hdfs 指令和任务之前，需要先设置 conf direxport HADOOP_CONF_DIR=~/modules/hadoop/etc/hadoop/miniclusterexport HADOOP_CLASSPATH=`./bin/hadoop classpath`# 再拷贝两个配置文件，用于 yarn 和 mapreduce 任务识别自己的配置文件cp ~/modules/hadoop/etc/hadoop/minicluster/core-site.xml ~/modules/hadoop/etc/hadoop/minicluster/yarn-site.xmlcp ~/modules/hadoop/etc/hadoop/minicluster/core-site.xml ~/modules/hadoop/etc/hadoop/minicluster/mapred-site.xml./bin/hdfs dfs -ls /

运行 distributed shell[7]

minicluster 同时启动了 HDFS 和 Yarn 组件，有 Yarn 之后我们当然还可以跑 mapreduce 任务

distributedshell 是 hadoop 提供的一个 mapreduce 任务示例，它可以让我们在 HDFS 集群节点上运行脚本

以下是运行 distributedshell 的方式

./bin/hadoop jar share/hadoop/yarn/hadoop-yarn-applications-distributedshell-3.4.3.jar org.apache.hadoop.yarn.applications.distributedshell.Client --jar share/hadoop/yarn/hadoop-yarn-applications-distributedshell-3.4.3.jar --num_containers 1 --container_vcores 1 --container_memory 1024 --shell_command 'sleep 300'

任务运行起来之后，你可以在本地进程列表中查到一个正在 "sleep" 的进程，yarn 页面中也能看到这个任务

trdsql[8]

❝

挺喜欢去了解一些开源的个人项目的，这些项目的开发动力，往往就是一个很实际，也很需要的小功能

❞

负责数据开发的同学，经常需要做的事情就是把用户、领导需要的数据，设计开发 SQL，再导出成表格发给别人

对于这类需求的标准答案，需要通过 BI ( Business Intelligence ) 软件（ 比如 superset ），在页面操作一下导出数据

在 superset 导出 csv 文件

但假如没有装这种软件，又只给你一个 linux 命令行的环境，应该怎么操作呢

使用 mysql 指令直接执行 SQL 导出，这个思路是最直接的。先把数据查出来，再把默认的 tab 分隔符替换成 csv 默认的逗号分隔

# mysql 指令直接导出 excel 方式mysql -h127.0.0.1 -P3306 -uroot -p123456 -e "select * from table_name limit 10" | tr '\t' ',' > /tmp/test.csv

方法是很方便，也只需要安装 mysql client 原生客户端。但缺点就是如果数据本身就有逗号，由于 csv 默认是用逗号作为分隔符的，导出的 csv 就不能默认正常显示了，如下

那有没有其他工具可以解决这种特殊字符带来的导数问题呢

没费很多时间，我找到了 trdsql ，它是 go 开发的一个工具，主要功能就是数据查询、导入或导出工具，导出格式支持 csv, json, yaml，支持查询 mysql, postgresql 和 sqlite 数据库

我们安装试用看看它是怎么解决这个问题的

安装

# 通过源码安装git clone https://github.com/noborus/trdsqlmakemake install

导出 csv

这次我们用 trdsql，同样是导出刚才有逗号的数据，看看效果:

trdsql -driver mysql -dsn "root:123456@tcp(127.0.0.1:3306)/temp" -ocsv "select * from table_name limit 10" > /tmp/test.csv

这么就能看出来它是如何解决问题的了： csv 在列数据中有逗号时，给整列加上双引号，最后的 csv 就能正常展示（属 csv 数据展示规范）

稍微看看源码是怎么实现的，就是在每一列导出之前，先判断内容中是否含有逗号，有就在列两边加上双引号，没有就不做任何字符处理直接展示

从 csv 查询数据

trdsql 还有一个主打功能，是可以像在数据库查询那样，在 csv 等文件中直接通过 SQL 查数据

这里我从 kaggle^[9] 下载了一个畅销书榜单数据集

如果我们想筛选出哈利波特相关的书籍，就像在 mysql 那样写个简单的 SQL 就能查出来了

# c1, c2 表示列名trdsql "SELECT * from /tmp/best-selling-books.csv where c1 like 'Harry Potter%' limit 10"# 使用 sqlite3_ext ( https://github.com/multiprocessio/go-sqlite3-stdlib )，支持更多函数trdsql -driver sqlite3_ext "SELECT * from /tmp/best-selling-books.csv where c1 REGEXP 'Harry Potter.*' limit 10"

它的原理也容易理解，并不是对 csv 做了什么“魔法”让它能跑 SQL 了，而是先将 csv 导入到 sqlite 这个轻量且使用最广泛的数据库中（数据默认放在内存），再通过 SQL 去查，方法就这样简单又巧妙

k3s[10]

❝

一个把复杂系统全部打包到最简单的服务的设计，就像是在纪念碑谷中，看到了整个世界的样子

❞

在之前对 jupyter on k8s 博客的介绍中我们用到了 minikube，它对于 windows 或者 mac，需要先启动虚拟机再启动容器的系统来说，是运行 k8s 最快捷的方式了

那在 linux 启动 k8s, 是否还有更快的选择呢？

当然有的，这就是把 k8s 的所有核心组件都打包到一个二进制文件中的 k3s

安装

以在 ubuntu 安装单点 k8s 为例，执行一行安装脚本就可以安装

# 一键安装curl -sfL https://get.k3s.io | sh -# 执行脚本前，可通过环境变量设置 k8s 的版本，以及安装路径export INSTALL_K3S_CHANNEL=v1.28.15+k3s1export INSTALL_K3S_EXEC="--data-dir /opt/data/k3s"

安装完成后，k8s 集群还不是马上可用状态，还需稍微等待镜像下载完成。不过 kubectl 相关的指令可以开始跑了，k3s 本身内置 kubectl ,只需在指令之前加上 k3s

# 查看集群所有 podk3s kubectl get pods -A

当然如果发现镜像一直无法下载，可以参考这篇博客^[11]，将镜像下载地址改成国内地址

所有 pod 都启动完成后效果:

官方脚本一键安装的 k3s 通过系统的 systemctl 来管理，因此 k3s 的启停方式如下

systemctl stop k3ssystemctl start k3ssystemctl restart k3s

应用: 运行 flink 集群和任务

既然 k8s 装好了，我们就趁热打铁，来看如何在 k8s 上跑 flink 集群和应用吧

我们会用到 flink 官方提供的 flink-kubernetes-operator^[12]，通过它我们可以直接在 k8s 上部署 flink 相关的组件，包括 jobmanager 、taskmanager 和 flink 应用等

# 部署 cert-manager , flink operator 需要用到k3s kubectl apply -f https://github.com/jetstack/cert-manager/releases/download/v1.18.2/cert-manager.yaml# helm: k3s 没有内置 helm 指令，需要手动安装curl -fsSL -o get_helm.sh https://raw.githubusercontent.com/helm/helm/main/scripts/get-helm-4chmod 700 get_helm.sh./get_helm.sh# 通过 helm 安装和启动 flink operator# 指定 k8s 配置为 k3s 配置，否则 helm 无法访问 k8sexport KUBECONFIG=/etc/rancher/k3s/k3s.yamlhelm repo add flink-operator-repo https://downloads.apache.org/flink/flink-kubernetes-operator-1.14.0helm install flink-kubernetes-operator flink-operator-repo/flink-kubernetes-operator

等待 flink operator 启动完成后，我们就可以通过 FlinkDeployment 来完成 flink 服务和应用的部署了:

# vim flink_deploy.yamlapiVersion:flink.apache.org/v1beta1kind:FlinkDeploymentmetadata:name:basic-examplespec:image:flink:1.20.1-java11flinkVersion:v1_20flinkConfiguration:taskmanager.numberOfTaskSlots:"2"serviceAccount:flinkjobManager:resource:memory:"2048m"cpu:1taskManager:resource:memory:"2048m"cpu:1job:jarURI:local:///opt/flink/examples/streaming/StateMachineExample.jarparallelism:2upgradeMode:statelessargs:["--error-rate","0.1"]

以上配置将启动一个 jobmanager 和一个 taskmanager，即一个 flink 集群最简化的部署架构，再提交 flink examples 目录下的 StateMachineExample 任务，这个任务会持续采集机器信息，以 error-rate 设置的概率生成 alert ，每条 alert 会在标准输出中打印出来

# 使 FlinkDeployment 生效k3s kubectl apply -f flink_deploy.yaml

于是我们只需等待容器 basic-example 启动完成，就可以通过 kubectl port-forward 和 kubectl logs 指令，查看 flink 集群和任务的运行情况了

# 暴露 jobmanager 端口k3s kubectl port-forward service/basic-example-rest 8081 --address='0.0.0.0'# 查看 basic-example pod 的日志，即 StateMachineExample 任务日志k3s kubectl logs -l app=basic-example -l component=taskmanager --tail=10 -f

访问 http://机器ip:8081 即可查看 flink 原生页面

最后是查看 StateMachineExample 任务输出的日志，可通过 kubectl logs 或者直接在 jobmanager 页面中查看

k3s kubectl logs -l app=basic-example -l component=taskmanager --tail=10 -f

python

❝

服务在发展，编程核心中的语言也在发展，类似 go install ，现在新语言都流行把项目安装成可以直接运行的二进制文件，而 python 早在 python2 就有类似的这种运行方式了，就是 -m + 模块名

❞

python 是一门越用越觉得强大的语言，最近笔者发现的，就是结合内置或者另外安装的模块，可以让 python 看起来只是跑代码的指令，摇身一变成小工具或者小服务

http.server

当我们想把一台服务器的文件或者目录共享到其他目录时，通常会用到 httpd 、 samba 等文件共享服务。当然它们都是常驻服务，需要安装，也会自动添加到系统服务管理（systemd）目录中，那有无更轻量更快捷的开启文件共享的方式呢？

当然有的，这就是 python 的 http.server

（注：http.server 更像是 httpd，作为文件下载服务器，其他节点可通过 wget 从主服务器下载文件，但不能上传，samba 的功能则会更多一点）

python3 -m http.server 7777

json.tool

json.tool 可以对 json 文件做简单的格式标准化

# 格式化python -m json.tool test.json# 2个空格格式化python -m json.tool --indent 2 test.json# 不加换行符，key 之间按一个空格分隔python -m json.tool --no-indent test.json# 完全紧凑，中间没有空格的排版python -m json.tool --compact test.json

httpbin[13]

访问一个网站、调用一个 api 服务接口，都需要发起 HTTP 请求，背后涉及到 HTTP 请求的方法、请求头、请求 body 、返回状态等等各种信息，怎样可以系统地了解这些参数怎么传递，会有什么效果呢？ httpbin可以帮上忙

httpbin 是 python 官方社区维护的，在本地可运行包含非常多 HTTP 请求类型场景的服务。想了解 HTTP 接口的各种用法，用它是非常合适的。当然除了本地部署，你也可以直接调用官方地址 https://httpbin.org

安装方式很简单，就是安装一个 pip 依赖

pip install httpbin==0.10.2python -m httpbin.core --host 0.0.0.0 --port 9000

先来看它提供的 swagger 界面，包含所有接口的功能介绍:

简单整理概括一下各个场景:

• HTTP Methods: 基本的请求方法： GET、POST、PUT、DELETE 等

• Auth: 提供 basic-auth 、 bearer 和 digest auth 加密算法

• Status codes: 可以返回任意 HTTP 状态码

• Request inspection: 获取请求头中的参数，如 ip 、 user-agent

• Response inspection: 和服务端返回数据缓存相关的方法，可以了解到 Cache-Control 和 If-None-Match 请求头的用法

• Response formats: 设置返回格式类型，如 json、xml，以及 robots.txt 禁止爬虫访问网站的机制

• Dynamic data: 通过参数动态控制 reponse、返回延迟等，可用于客户端的接口超时测试

• Cookies: cookie 查询、设置、删除相关方法

• Images: 下载图片，通过 Accept 参数设置图片的 png, jpeg 等格式

• Redirects: 跳转请求，对应 response header 中的 Location

• Anything: 返回请求中的所有参数

以下是对每一种类型接口，都用 curl 或者浏览器直接访问的方式:

# HTTP Methods: POST 请求curl -i -X POST --data {"k": "v"} http://localhost:9000/post# Auth 通过 basic auth 调用认证接口curl -i --user user:pass http://localhost:9000/basic-auth/user/pass# Status codes: 返回 400curl -i http://localhost:9000/status/400# Request inspection: 获取访问来源 ip，即本地 ipcurl http://localhost:9000/ip# Response inspection: 模拟在 If-Match 和 cache key 不匹配的时候会返回 412curl -i -H "If-Match: cache2" http://localhost:9000/etag/cache1# Response formats: 返回 json 格式数据curl http://localhost:9000/json | python -m json.tool --indent 2# Dynamic data: 设置接口延迟、文件下载curl http://localhost:9000/delay/5curl -LO http://localhost:9000/drip?numbytes=400&duration=5&delay=1&code=200# Cookies: 设置、删除指定 cookiehttp://localhost:9000/cookies/set/k1/v1http://localhost:9000/cookies/delete?k1=v1# Images: 下载 pngcurl -H "Accept: image/png" http://localhost:9000/image --output image.png# Redirects: 跳转（ curl 默认允许重定向最多 50 次）curl -i -L http://localhost:9000/absolute-redirect/10# Anything: 打印请求中的所有参数curl -i http://localhost:9000/anything

如此多的场景，可以说总有一种，可以在你开发微服务接口，需要调试的时候用得上

patch

❝

看一个大型的开源项目代码，有时会感到无从下手，这时从一个 commit 的代码变化去看细节是不错的思路，那么代码变更在哪里可以看呢？

❞

在看 bigtop 项目源码的时候，发现它是通过 patch 的方式去解决 hadoop 开源版本的编译错误问题的

如上图，它会记录 hadoop 当前版本 ( 如 3.3.6 ) 本身的一些代码缺陷，以及为了适配在不同操作系统的编译问题的修复代码 。在执行 ./gradlew hadoop-pkg 构建 hadoop 安装包时，会先执行 patch 指令，将所有的 patch 文件应用到 hadoop 源码中，然后再执行 mvn install 进行编译

后来笔者在整理我自己维护的 hadoop 编译脚本的时候，遇到 yarn-ui 编译失败的问题（ 对应 BIGTOP-3526^[14] ），也试着通过 patch 的方式记录编译问题的修复文件，发现一用就离不开了，这种机制可以保证我每次重新编译 hadoop 都能成功

问题来了，如何生成 patch 文件，把代码变更记录进去呢？

还是以 flink cdc 项目为例: flink cdc 从 3.3 版本升级到最新代码后，将会支持对 starrocks 字段修改的更多语法，在 github 上我们看到代码的变更是这种效果

下面是将这些变更代码，生成到 patch 文件，以及如何将 patch 又作用到旧代码，生成修复后的代码的过程

# 先准备 StarRocksMetadataApplier.java 在 3.3 分支和最新分支的代码文件wget https://raw.githubusercontent.com/apache/flink-cdc/refs/heads/master/flink-cdc-connect/flink-cdc-pipeline-connectors/flink-cdc-pipeline-connector-starrocks/src/main/java/org/apache/flink/cdc/connectors/starrocks/sink/StarRocksMetadataApplier.java -O StarRocksMetadataApplier_master.javawget https://raw.githubusercontent.com/apache/flink-cdc/refs/tags/release-3.3.0/flink-cdc-connect/flink-cdc-pipeline-connectors/flink-cdc-pipeline-connector-starrocks/src/main/java/org/apache/flink/cdc/connectors/starrocks/sink/StarRocksMetadataApplier.java -O StarRocksMetadataApplier_3.3.java# 生成单个文件的变更 patch 文件diff -u StarRocksMetadataApplier_3.3.java StarRocksMetadataApplier_master.java > StarRocksMetadataApplier_3_3_to_master.patch# 验证 patch 是否可以生效，不会真正修改文件patch -p0 --dry-run StarRocksMetadataApplier_3.3.java < StarRocksMetadataApplier_3_3_to_master.patch# 应用 patch 变更patch -p0 /tmp/StarRocksMetadataApplier_3.3.java < StarRocksMetadataApplier_3_3_to_master.patch# 应用 patch 变更，并备份原始文件为 StarRocksMetadataApplier_3.3.java.bakpatch -p0 -b -z .bak StarRocksMetadataApplier_3.3.java < StarRocksMetadataApplier_3_3_to_master.patch# 回退patch -p0 -R StarRocksMetadataApplier_3.3.java < StarRocksMetadataApplier_3_3_to_master.patch

patch 文件内容如下图，和 github 上显示的效果基本一致

htop[15]

遇到服务器发生 cpu 和内存告警的时候，之前我第一反应是先用 top 指令，查找占用资源最多的进程，但 top 展示信息的直观程度稍弱 ，htop 完善了这一点

# 安装 htop: 直接通过安装器安装yum -y install htopapt -y install htop# 打开 htophtop# 设置 htop 延迟, 30 表示每 3s 刷新htop -d 30# 查看指定用户的进程htop -u postgres# 只查看指定 pidhtop -p 2318# sort by key# 根据 cpu 使用率倒序htop -s UTIME# 根据内存使用量排序htop -s M_RESIDENT# 隐藏进程树shift + H

就使用体验来看，htop 对比 top 明显体验上有优势

• 进程的完整路径有打印

• 内存的使用率有一个进度条的展示

• 能看到每个核心的使用率

• 可以用鼠标滚动翻阅进程

总结

传统经典的操作系统，真的是怎么学都不会觉得无聊，总有新东西可以学

在慢慢写这篇博客的同时，也逐渐感受到，这些 linux 指令之间并不是孤立个体，而是可以串在一起形成整个开发工具链，成为个人开发最好的帮手

python 的 json.tool 支持简单的 json 格式化，继续了解的话，我们还可以用到更强大的 jq

HDFS 的 WordCount 是大数据的 hello world，同样，flink 也有一个 WordCount example, 有了 k3s, 我们就可以很方便地启动整个 flink 集群和跑应用了

最后，也期待今年可以对一些指令有更深入的使用体会，有机会再更新这个系列

Reference