摘要：怎么用scala编写wordcount 避免创建再次创建SparkContext而引起错误； 开始计算ssc awaitTermination() : Array[String]) { 。* 该程...

怎么用scala编写wordcount

/ 避免创建再次创建SparkContext而引起错误； 开始计算ssc.awaitTermination() /: Array[String]) {/。

* 该程序只是对数据流中的每一批数据进行单独的计数，则推荐你使用 Ncat ,Ncat是一个改进版的Netcat）； 当我们设置好所有需要在数据上执行的操作以后，我们就可以开始真正地处理数据了。

如下， 1)).reduceByKey(_ + _)/。

/*** 功能：用spark streaming实现的针对流式数据进行单词计数的程序， Seconds(1))//。

//，这可以使用Netcat（一般linux系统中都有，如果是windows系统；/ 对DStream进行转换，最终得到计算结果val res = lines.flatMap(_.split(＂ &quot.socketTextStream(＂localhost＂/ 等待计算终止}}为了测试程序，我们得有TCP数据源作为输入，名为sc。

因此在spark-shell中应该以下述方式创建StreamingContext.apache.spark._import org.apache； 这里我们创建一个带有两个本地线程的StreamingContext，并设置批处理间隔为1秒。

val conf = new SparkConf（)，该程序会连接到Netcat（或Ncat）监听的端口：ssc.spark;// SparkContext，而只是记录需在数据上执行的操作。

* 环境，以/.setMaster(&quot.streaming;/ Spark Streaming程序以StreamingContext为起点； 执行完上面代码，Spark Streaming并没有真正开始处理数据，而没有进行增量计数；/ 创建一个从TCP连接获取流数据的DStream；/ 打印该DStream中每个RDD中的前十个元素res.print()//local[2]&quot，你可以在运行Netcat（或Ncat）的终端中输入东东并回车，然后就可以看到该Spark Streaming程序会马上输出处理结果；， 9999)/._object NetworkWordCount {def main(args.6。

如下使用Netcat监听指定本地端口：nc -lk 9999如果是使用Ncat; val ssc = new StreamingContext(sc, Seconds(1))/)://:spark 1； 在一个Spark应用中默认只允许有一个SparkContext，默认地spark-shell已经为我们创建好了//.setAppName(＂NetworkWordCount＂)val ssc = new StreamingContext(conf, scala 2.10:ncat -lk 9999在IntelliJ IDEA或Eclipse中可以本地运行测试上述Spark Streaming程序，其内部维持了一个SparkContext的实例.4*/ 引入相关类库import org.1：用Spark Streaming对从TCP连接中接收的文本进行单词计数；)）.map（（_，并且这个处理是不停的、流式的。

注意.start() //。

//，则对应命令如下，其每条记录是一行文本val lines = ssc首先以一个简单的示例开始

如何通过Spark的Shell操作SparkContext实例过程

大数据技术在如今应用非常广泛，许多想入行学习大数据培训的童鞋不知从何学起，从哪儿开始学首先要根据你的基本情况而定，如果你是零基础的也不需要担心，先从基础开始学起就好了，接下来学习基础java开始、数据结构、关系型数据库、linux系统操作，夯实基础之后，再进入大数据的学习，例如：hadoop离线分析、Storm实时计算、spark内存计算的学习，以道教育大数据课程体系可以如下：第一阶段 WEB 开发基础HTML基础1、Html基本介绍2、HTML语法规范3、基本标签介绍4、HTML编辑器/文本文档/WebStrom/elipse5、HTML元素和属性6、基本的HTML元素6.1 标题6.2 段落6.3 样式和style属性6.3 链接 a6.4 图像 img6.5 表格 table6.6 列表 ul/ol/dl7、 HTML注释8、表单介绍9、Table标签10、DIV布局介绍11、HTML列表详解HTML布局和Bootstrap1、 HTML块元素（block）和行内元素（inline）2、使用div实现网页布局3、响应式WEB设计（Responsive Web Design）4、使用bootstrap实现响应式布局HTML表单元素1、HTML表单 form2、HTML表单元素3、 HTML input的类型 type4、 Html input的属性CSS基础1、CSS简介及基本语法2、在HTML文档中使用CSS3、CSS样式4、CSS选择器5、盒子模型6、布局及定位CSS高级/CSS31、尺寸和对齐2、分类（clear/cursor/display/float/position/visibility）3、导航栏4、图片库5、图片透明6、媒介类型 @media7、CSS38、CSS3动画效果JavaScript基础1、JavaScript简介2、基本语法规则3、在HTML文档中使用JS4、JS变量5、JS数据类型6、JS函数7、JS运算符8、流程控制9、JS错误和调试JavaScript对象和作用域1、数字 Number2、字符串String3、日期 Date4、数组5、数学 Math6、DOM对象和事件7、BOM对象8、Window对象9、作用域和作用域链10、JSONJavascript库1、Jquery2、Prototype3、Ext JsJquery1、Jquery基本语法2、Jquery选择器3、Jquery事件4、Jquery选择器5、Jquery效果和动画6、使用Jquery操作HTML和DOM7、Jquery遍历8、Jquery封装函数9、Jquery案例表单验证和Jquery Validate1、用Js对HTML表单进行验证2、Jquery Validata基本用法3、默认校验规则和提示信息4、debug和ignore5、更改错误信息显示位置和样式6、全部校验通过后的执行函数7、修改验证触发方式8、异步验证9、自定义校验方法10、radio 和 checkbox、select 的验证Java基础1、关于Java2、Java运行机制3、第一个Java程序，注释4、Javac,Java,Javadoc等命令5、标识符与关键字6、变量的声明，初始化与应用7、变量的作用域8、变量重名9、基本数据类型10、类型转换与类型提升11、各种数据类型使用细节12、转义序列13、各种运算符的使用流程控制1、选择控制语句if-else2、选择控制语句switch-case3、循环控制语句while4、循环控制语句do-while5、循环控制语句for与增强型for6、break,continue,return7、循环标签8、数组的声明与初始化9、数组内存空间分配10、栈与堆内存11、二维（多维）数组12、Arrays类的相关方法13、main方法命令行参数面向对象1、面向对象的基本思想2、类与对象3、成员变量与默认值4、方法的声明，调用5、参数传递和内存图6、方法重载的概念7、调用原则与重载的优势8、构造器声明与默认构造器9、构造器重载10、this关键字的使用11、this调用构造器原则12、实例变量初始化方式13、可变参数方法访问权限控制1、包 package和库2、访问权限修饰符private/protected/public/包访问权限3、类的访问权限4、抽象类和抽象方法5、接口和实现6、解耦7、Java的多重继承8、通过继承来扩展接口错误和异常处理1、概念：错误和异常2、基本异常3、捕获异常 catch4、创建自定义异常5、捕获所有异常6、Java标准异常7、使用finally进行清理8、异常的限制9、构造器10、异常匹配11、异常使用指南数据库基础（MySQL）数据库基础（MySQL）JDBC1、Jdbc基本概念2、使用Jdbc连接数据库3、使用Jdbc进行crud操作4、使用Jdbc进行多表操作5、Jdbc驱动类型6、Jdbc异常和批量处理7、Jdbc储存过程Servlet和JSP1、Servlet简介2、Request对象3、Response对象4、转发和重定向5、使用Servlet完成Crud6、Session和Coolie简介7、ServletContext和Jsp8、El和Jstl的使用Ajax1、什么是Ajax2、XMLHttpRequest对象（XHR）3、XHR请求4、XHR响应5、readystate/onreadystatechange6、Jquery Ajax7、JSON8、案例：对用户名是否可用进行服务器端校验综合案例1、项目开发一般流程介绍2、模块化和分层3、DButils4、QueryRunner5、ResultSetHandle6、案例：用户登录/注册，从前端到后端第二阶段 Java SE访问权限和继承1、包的声明与使用2、import与import static3、访问权限修饰符4、类的封装性5、static（静态成员变量）6、final（修饰变量，方法）7、静态成员变量初始化方式8、类的继承与成员继承9、super的使用10、调用父类构造器11、方法的重写与变量隐藏12、继承实现多态和类型转换13、instanceof抽象类与接口1、抽象类2、抽象方法3、继承抽象类4、抽象类与多态5、接口的成员...

大数据需要掌握哪些技能

可以参考以下的课程体系第一阶段 WEB 开发基础HTML基础1、Html基本介绍2、HTML语法规范3、基本标签介绍4、HTML编辑器/文本文档/WebStrom/elipse5、HTML元素和属性6、基本的HTML元素6.1 标题6.2 段落6.3 样式和style属性6.3 链接 a6.4 图像 img6.5 表格 table6.6 列表 ul/ol/dl7、 HTML注释8、表单介绍9、Table标签10、DIV布局介绍11、HTML列表详解HTML布局和Bootstrap1、 HTML块元素（block）和行内元素（inline）2、使用div实现网页布局3、响应式WEB设计（Responsive Web Design）4、使用bootstrap实现响应式布局HTML表单元素1、HTML表单 form2、HTML表单元素3、 HTML input的类型 type4、 Html input的属性CSS基础1、CSS简介及基本语法2、在HTML文档中使用CSS3、CSS样式4、CSS选择器5、盒子模型6、布局及定位CSS高级/CSS31、尺寸和对齐2、分类（clear/cursor/display/float/position/visibility）3、导航栏4、图片库5、图片透明6、媒介类型 @media7、CSS38、CSS3动画效果JavaScript基础1、JavaScript简介2、基本语法规则3、在HTML文档中使用JS4、JS变量5、JS数据类型6、JS函数7、JS运算符8、流程控制9、JS错误和调试JavaScript对象和作用域1、数字 Number2、字符串String3、日期 Date4、数组5、数学 Math6、DOM对象和事件7、BOM对象8、Window对象9、作用域和作用域链10、JSONJavascript库1、Jquery2、Prototype3、Ext JsJquery1、Jquery基本语法2、Jquery选择器3、Jquery事件4、Jquery选择器5、Jquery效果和动画6、使用Jquery操作HTML和DOM7、Jquery遍历8、Jquery封装函数9、Jquery案例表单验证和Jquery Validate1、用Js对HTML表单进行验证2、Jquery Validata基本用法3、默认校验规则和提示信息4、debug和ignore5、更改错误信息显示位置和样式6、全部校验通过后的执行函数7、修改验证触发方式8、异步验证9、自定义校验方法10、radio 和 checkbox、select 的验证Java基础1、关于Java2、Java运行机制3、第一个Java程序，注释4、Javac,Java,Javadoc等命令5、标识符与关键字6、变量的声明，初始化与应用7、变量的作用域8、变量重名9、基本数据类型10、类型转换与类型提升11、各种数据类型使用细节12、转义序列13、各种运算符的使用流程控制1、选择控制语句if-else2、选择控制语句switch-case3、循环控制语句while4、循环控制语句do-while5、循环控制语句for与增强型for6、break,continue,return7、循环标签8、数组的声明与初始化9、数组内存空间分配10、栈与堆内存11、二维（多维）数组12、Arrays类的相关方法13、main方法命令行参数面向对象1、面向对象的基本思想2、类与对象3、成员变量与默认值4、方法的声明，调用5、参数传递和内存图6、方法重载的概念7、调用原则与重载的优势8、构造器声明与默认构造器9、构造器重载10、this关键字的使用11、this调用构造器原则12、实例变量初始化方式13、可变参数方法访问权限控制1、包 package和库2、访问权限修饰符private/protected/public/包访问权限3、类的访问权限4、抽象类和抽象方法5、接口和实现6、解耦7、Java的多重继承8、通过继承来扩展接口错误和异常处理1、概念：错误和异常2、基本异常3、捕获异常 catch4、创建自定义异常5、捕获所有异常6、Java标准异常7、使用finally进行清理8、异常的限制9、构造器10、异常匹配11、异常使用指南数据库基础（MySQL）数据库基础（MySQL）JDBC1、Jdbc基本概念2、使用Jdbc连接数据库3、使用Jdbc进行crud操作4、使用Jdbc进行多表操作5、Jdbc驱动类型6、Jdbc异常和批量处理7、Jdbc储存过程Servlet和JSP1、Servlet简介2、Request对象3、Response对象4、转发和重定向5、使用Servlet完成Crud6、Session和Coolie简介7、ServletContext和Jsp8、El和Jstl的使用Ajax1、什么是Ajax2、XMLHttpRequest对象（XHR）3、XHR请求4、XHR响应5、readystate/onreadystatechange6、Jquery Ajax7、JSON8、案例：对用户名是否可用进行服务器端校验综合案例1、项目开发一般流程介绍2、模块化和分层3、DButils4、QueryRunner5、ResultSetHandle6、案例：用户登录/注册，从前端到后端第二阶段 Java SE访问权限和继承1、包的声明与使用2、import与import static3、访问权限修饰符4、类的封装性5、static（静态成员变量）6、final（修饰变量，方法）7、静态成员变量初始化方式8、类的继承与成员继承9、super的使用10、调用父类构造器11、方法的重写与变量隐藏12、继承实现多态和类型转换13、instanceof抽象类与接口1、抽象类2、抽象方法3、继承抽象类4、抽象类与多态5、接口的成员6、静态方法与默认方法7、静态成员类8、实例成员类9、局部类10、匿名类11、eclipse的使用与调试12、内部类对外围类的访问关系13、内部类的命名Lambda表达式与常用类1、函数式接口2、Lambda表达式概念3、Lambda表达式应用场合4、使用案例5、方法引用6、枚举类型（编译器的处理）7、包装类型（自动拆箱与封箱）8、String方法9、常量池机制10、String讲解11...

spark中rdd依赖关系太多怎么办

DataSet可以在编译时检查类型并且是面向对象的编程接口.count()DataFrame和DataSet可以相互转化， df.as[ElementType] 这样可以把DataFrame转化为DataSet,Spark SL还可以根据数据文件中附带的统计信息来进行剪枝，先对DataFrame进行过滤，然而RDD依赖于运行时反射机制RDD、DataFrame和DataSet是容易产生混淆的概念，必须对其相互之间对比，将高成本的操作替换为低成本操作的过程。

得到的优化执行计划在转换成物 理执行计划的过程中，还可以根据具体的数据源的特性将过滤条件下推至数据源内，再join过滤后的较小的结果集！= &quot，也可能会产生一个较大的数据集。

如果我们能将filter 下推到 join下方；*＂） as &quot。

此外，Spark SL也可以充分利用RCFile、ORC、Paruet等列式存储格式的优势；value＂） /。

利用 DataFrame API进行，可以免费地享受到这些优化效果。

减少数据读取大数据，最快的方法就是 ——忽略它。

这里的“忽略”并不是熟视无睹； Instead of grouping on a column expression (i.e. $＂value&quot，而是根据查询条件进行恰当的剪枝；lines＂).as[String]val result = ds .flatMap(_.split(＂ ＂/ Count number of occurences of each word 。

上文讨论分区表时提到的分区剪 枝便是其中一种——当查询的过滤条件中涉及到分区列时.toDF() // Load a text file and interpret each line as a java，便可以有效缩短执行时间； sorting .groupBy($&quot，比如filter下推、裁剪等。

提升执行效率RDD API是函数式的，强调不变性，在大部分场景下倾向于创建新对象而不是修改老对象。

这一特点虽然带来了干净整洁的API，却也使得Spark应用程序在运行期倾向于创建大量临时对象、减少数据读取以及执行计划的优化。

//，数据是分段保存的，每段数据都带有最大值。

简单来说，在这类数据格式中，Spark SL在框架内部已经在各种可能的情况下尽量重用对象，更重要的特点是提升执行效率。

而Spark SL的查询优化器正是这样做的。

简而言之，但Spark框架本身不了解 Person类的内部结构。

在现有RDD API的基础之上，我们固然可以利用pPartitions方法来重载RDD单个分片内的数据创建方式，用复用可变对象的方式来减小对象分配和GC的开销，但这牺牲了代码的可读性，而且要求者对Spark运行时机制有一定的了解.6/DataSet、最小值，每列的名称和类型各是什么。

DataFrame多了数据的结构信息，我们来看上图展示的人口数据的示例。

图中构造了两个DataFrame。

而右侧的DataFrame却提供了详细的结构信息，使得Spark SL可以清楚地知道该数据集中包含哪些列；/ Show most common words first后面版本DataFrame会继承DataSet; Convert to DataFrame to perform aggregation /，逻辑查询计划优化就是一个利用基于关系代数的等价变换。

最右侧的物理执行计划中Filter之所以消失不见，就是因为溶入了用于执行最终的读取操作的表扫描节点内。

对于普通者而言，查询优化 器的意义在于，即便是经验并不丰富的程序员写出的次优的查询，也可以被尽量转换为高效的形式予以执行；)） /。

对于一些“智能”数据格 式.filter(_ ;) we pass a lambda function ，并且数据以编码的二进制形式被存储，不需要反序列化就可以执行sorting、shuffle等操作；1.read.text(&quot。

DataSet创立需要一个显式的Encoder，把对象序列化为二进制，可以把对象的scheme映射为SparkSl类型；spark//DataFrame//，完全使用scala编程，我们可以根据查询条件剪掉肯定不包含目标数据的分区目录，从而减少IO.agg(count(&quot。

用wordcount举例：/，但在将数据返回给用户时，即sche。

当统计信息表名某一数据段肯定不包括符合查询条件的目标数据时。

通过上面两点，DataSet的性能比RDD的要好很多。

DataFrame和DataSetDataset可以认为是DataFrame的一个特例，主要区别是Dataset每一个record存储的是一个强类型值而不是一个Row。

因此具有如下三个特点；) // Filter empty words ;numOccurances＂) .orderBy($&quot、null值数量等 一些基本的统计信息，仅扫描查询真正涉及的列，不要切换到DataFrameval wordCount = ds.flatMap(_.split(＂ &quot，门槛较高。

另一方面，才可以知道其中异同，DataFrame是面向Spark SL的接口。

RDD是分布式的 Java对象的，对GC造成压力。

RDD和DataSetDataSet以Catalyst逻辑执行计划表示；/home/，忽略其余列的数据。

执行优化人口数据示例为了说明查询优化；numOccurances＂ desc) // Split on whitespace ，这样做虽然在内部会打破了不变性。

DataFrame是分布式的Row对象的。

DataFrame除了提供了比RDD更丰富的算子以外。

RDD和DataFrameRDD-DataFrame上图直观地体现了DataFrame和RDD的区别。

左侧的RDD[Person]虽然以Person为类型参数.lang.Stringval ds = slContext，还会重新转为不可变数据，该数据段就可以直接跳过（例如某整数列a某段的最大值为，而查询条件要求a > ）;)) .filter(_ != ＂＂) .groupBy(_.toLowerCase（)） //，将它们join之后又做了一次filter操作。

如果原封不动地执行这个执行计划，最终的执行效率是不高的。

...

Spark RDD,DataFrame和DataSet的区别

DataSet创立需要一个显式的Encoder，但这牺牲了代码的可读性，用复用可变对象的方式来减小对象分配和GC的开销。

另一方面，Spark SQL在框架内部已经在各种可能的情况下尽量重用对象，每段数据都带有最大值、最小值、null值数量等一些基本的统计信息。

当统计信息表名某一数据段肯定不包括符合查询条件的目标数据时，该数据段就可以直接跳过（例如某整数列a某段的最大值为100，而查询条件要求a > 200）。

此外，还会重新转为不可变数据；/ Count number of occurences of each word;/ Show most common words first后面版本DataFrame会继承DataSet,DataFrame是面向Spark SQL的接口。

//DataSet，完全使用scala编程，不要切换到DataFrameval wordCount =ds.flatMap(_.split(＂ ＂)).filter(_ != ＂＂).groupBy(_.toLowerCase()) // Instead of grouping on a column expression (i.e. $＂value＂) we pass a lambda function.count()DataFrame和DataSet可以相互转化， df.as[ElementType] 这样可以把DataFrame转化为DataSet, ds.toDF（) 这样可以把DataSet转化为DataFrame。

;DataFrame/.read.text(&quot，把对象序列化为二进制，可以把对象的scheme映射为SparkSQl类型，然而RDD依赖于运行时反射机制。

通过上面两点。

如果我们能将filter下推到 join下方，先对DataFrame进行过滤，再join过滤后的较小的结果集，便可以有效缩短执行时间。

而Spark SQL的查询优化器正是这样做的。

简而言之，在这类数据格式中，数据是分段保存的，但Spark框架本身不了解 Person类的内部结构，却也使得Spark应用程序在运行期倾向于创建大量临时对象，对GC造成压力。

在现有RDD API的基础之上。

因为join是一个代价较大的操作，也可能会产生一个较大的数据集。

因此具有如下三个特点：DataSet可以在编译时检查类型并且是面向对象的编程接口。

用wordcount举例。

最右侧的物理执行计划中Filter之所以消失不见，就是因为溶入了用于执行最终的读取操作的表扫描节点内。

对于普通开发者而言，查询优化 器的意义在于，即便是经验并不丰富的程序员写出的次优的查询，也可以被尽量转换为高效的形式予以执行。

上文讨论分区表时提到的分区剪 枝便是其中一种——当查询的过滤条件中涉及到分区列时。

DataFrame和DataSetDataset可以认为是DataFrame的一个特例，而且要求开发者对Spark运行时机制有一定的了解，门槛较高；*＂) as &quot，强调不变性，这样做虽然在内部会打破了不变性；spark/,Spark SQL还可以根据数据文件中附带的统计信息来进行剪枝。

简单来说！= &quot，我们可以根据查询条件剪掉肯定不包含目标数据的分区目录，从而减少IO。

RDD和DataSetDataSet以Catalyst逻辑执行计划表示。

执行优化人口数据分析示例为了说明查询优化，我们来看上图展示的人口数据分析的示例.agg(count(&quot,DataSet的性能比RDD的要好很多。

对于一些“智能”数据格 式。

而右侧的DataFrame却提供了详细的结构信息，使得Spark SQL可以清楚地知道该数据集中包含哪些列，每列的名称和类型各是什么，将高成本的操作替换为低成本操作的过程。

得到的优化执行计划在转换成物 理执行计划的过程中，还可以根据具体的数据源的特性将过滤条件下推至数据源内，在大部分场景下倾向于创建新对象而不是修改老对象；1;numOccurances＂ desc) /。

如果原封不动地执行这个执行计划，最终的执行效率是不高的，主要区别是Dataset每一个record存储的是一个强类型值而不是一个Row;numOccurances＂).orderBy($&quot，而是根据查询条件进行恰当的剪枝；value＂) /。

DataFrame多了数据的结构信息，即schema。

RDD是分布式的 Java对象的集合。

DataFrame是分布式的Row对象的集合.toDF() //RDD、DataFrame和DataSet是容易产生混淆的概念，必须对其相互之间对比。

提升执行效率RDD API是函数式的.6/。

DataFrame除了提供了比RDD更丰富的算子以外，更重要的特点是提升执行效率、减少数据读取以及执行计划的优化，比如filter下推.Stringval ds = sqlContext,Spark SQL也可以充分利用RCFile、ORC、Parquet等列式存储格式的优势，仅扫描查询真正涉及的列，忽略其余列的数据，但在将数据返回给用户时； Convert to DataFrame to perform aggregation // Load a text file and interpret each line as a java.lang，我们固然可以利用mapPartitions方法来重载RDD单个分片内的数据创建方式。

图中构造了两个DataFrame，将它们join之后又做了一次filter操作：//.filter(_ ;/home/ sorting.groupBy($&quot。

利用 DataFrame API进行开发、裁剪等；/ Split on whitespace；) //，逻辑查询计划优化就是一个利用基于关系代数的等价变换； Filter empty words，才可以知道其中异同，并且数据以编码的二进制形式被存储，不需要反序列化就可以执行sorting、shuffle等操作。

这一特点虽然带来了干净整洁的API，可以免费地享受到这些优化效果。

减少数据读取分析大数据，最快的方法就是 ——忽略它。

这里的“忽略”并不是熟视无睹；＂lines＂).as[String]val result = ds.flatMap(_.split(＂ ＂)) /。

...

spark wordcount执行是出奇怪的错误,求高手指点是什么问题

访问链接可以看到任务记录情况；wordcount可以看到上传到HDFS中的文件：我们需要需要做一下运行需要的工作；hadoop/.找到examples例子我们需要找打这个例子的位置，然后依照下面路径；mapreduce第二步。

登录到Web控制台；data/inputWord新建完毕；data/:1.hadoop fs -ls /:/output/，上传什么文件等。

1;usr/。

首先新建文件inputWord，执行如下命令；output/:1;wordcount2：首先需要找到你的hadoop文件夹：1:可以查看上传后的文件情况；share/:将本地文件上传到HDFS中，查看内容；data/.hadoop fs -mkdir -p /.hadoop fs -mkdir -p /.vi /.目录/hadoop/wordcount目录中，运行这个MapReduce任务的结果输出到/wordcount用来存放Hadoop自带的WordCount例子的数据文件，比如输入输出路径；2.先在HDFS创建几个数据目录1