1.
首先推荐来自今天的 湾区日报
从最初坚持每天5篇分享至今已经1205期了，点赞作者.
1)最好的商业模式, 微软、苹果、Netflix：花钱的用户是用产品的人；谷歌与FB：花钱的是广告商，用产品的人免费；Amazon、腾讯、阿里：小比例的超级用户花大钱，间接让整个生态变得更好。哪种商业模式好？
2)Firefox + Pocket：打造更好的文章推荐引擎。恐怕很多人不知道Pocket已经被Mozilla收购了。如果你有使用Firefox，打开一个空白新窗口就会看到Pocket推荐的文章，这是根据你使用Firefox的本地浏览记录推荐的。
2.
Microsoft: The Early Days: http://www.memecentral.com/mylife.htm
这篇也是湾日的推荐。
1981年，作者和其老板Charles Simonyi从计算机人机交互界面发展先驱的施乐走出，经同事即3Com创始人的建议，一起成为微软第77位员工，当时微软刚要开始做应用程序，开始山寨Mac上的电子表格，后来开始做“长得像电子表格的字处理系统”，也就是Word。
Word，成为了之后数年的Revenue Bomb， 难怪当年求伯君把自己关在张旋龙（金山创始人，张小龙的哥哥，不是八卦里的微信张小龙）为他在深圳包的一个房间里，日夜兼程写出了字处理系统WPS， 不过当初目标据说是为了超越当时尚火WordStar，WordStar兼容DOS，不过90年后被MS Word超越。
求伯君后来吐露，虽然WPS每年收入数千万（1993年前后），但是自己只是个给老板打工的。

NON-Tech
1.
看这篇文章，体会下感受下生在互联网时代，20世纪形成的政治体制正在变得“古老”的路上。
毕竟，现在有多少人会觉得 马基雅弗利的政治“智慧”没有过时？
道德危机的起源 The Making of a Moral Crisis
“many-chambered heart of the internet”(不知怎么翻译) 如何将特朗普政府的家庭分离政策变为另一种丑闻
https://www.theatlantic.com/technology/archive/2018/06/the-making-of-a-moral-problem/563114/
如果没时间可以速读谷歌翻译出来的中文，下面是我从google翻译里摘抄部分

1.
https://www.elastic.co/blog/this-week-in-elasticsearch-and-apache-lucene-2018-05-18
ElasticSearch 新进展:

在7.0.0中，新索引默认接收一个分片（而不是五个）。我们进行了这项更改以帮助解决当前默认值导致的常见问题：过度分解。许多用户最终拥有太多的分片，我们认为将默认设置降为1将有助于解决这种情况
高级REST客户端中的搜索模板支持
带有静态评分信号的更快的top-k查询…还有很多可以参考更新notes

1.
推荐一部德剧，五一期间追完两季，可以直接看知乎上的评论如何评价18年新剧《巴比伦柏林》

这部剧是于去年10月在德国播出的，今年的1月30日才在网飞上线。它是德国历史上最贵的一部剧，近4000万欧元的制作成本，也让它成了非英语类电视剧中最烧钱的作品。
豆瓣9.0，烂番茄新鲜度100%，IMDb8.5
今年的德国电视奖上，它一举斩获了最佳剧集、最佳摄像、最佳音乐和最佳美术指导四项大奖，现已续订到了第三季。

1.
CTR预估中的贝叶斯平滑方法（一）
学习了：

广告形式：互联网广告可以分为以下三种：
1）展示广告（display ad）
2）搜索广告（sponsored search ad）
3）上下文广告（contextual ad）
竞价模式：对于在线广告，主要有以下几种竞价模式：
1）pay-per-impression（按展示付费）：广告商按照广告被展示的次数付费，这是一种最普遍的竞价模型。缺点在于没有考虑投放广告的效果。
2）pay-per-action（按行为付费）：只有在广告产生了销售或者类似的一些转化时，广告商才付费。缺点在于追踪用户的交易行为相对比较困难。
3）pay-per-click（按用户点击付费）：根据用户是否会点击广告来付费。这时候就需要对广告的点击率（CTR）进行精确的预估。
遇到的困难：
由于数据的稀疏性，对广告进行CTR预估是比较具有挑战性的，预估出来的CTR的可靠性不高，且具有较大的方差。主要有以下两类场景：
1）当广告的展示次数较少的时候，对其直接进行CTR的统计计算会导致一个偏高的结果。比如某个广告只展示了1次，被点击了1次，则纯粹的统计CTR=1.0，这显然是过分高估了。
2）当广告的展示次数很大，但点击次数很少或几乎没有的时候，对其直接进行CTR的统计计算会导致一个偏低的结果。比如某个广告没有被点击过，则纯粹的统计CTR=0.0，这显然是过分低估了。

1.
论喝鸡汤，还是要认准大品牌。

超市里买鸡蛋还要看价格质量产地挑选，何况是鸡汤文？

记得曾经看过有人分享“苔花如米小，也学牡丹开”，初看时，还是很感动的，有种壁立千仞，迎风招展的味道。

说不出哪里的好，但又感觉哪里不对。

偶尔看到一句话，醒悟。

“一花一世界”

我这里拷贝一段话： “恒河沙等之恒河沙。一沙一世界国土中。所有众生。各具一心。则其心有若干种。如来以清净五眼。皆尽见而知之”。

是了，这里对比下，看出佛家的见识，几千年积累下来的，静坐卧行都在思禅思出来的见识。

前者有些小家子气，或许在一个年轻气盛嘴角红润的年龄段会感动肺腑，自信。

然而我更喜欢“一花一世界”，这种早已超越，甚至无须自信的意境，简直是大智慧。

就像一个曾经美国总统肯尼迪的一个故事：

肯尼迪去NASA访问，在洗手间碰到一位清洁工，或许是出于美国总统的义务，肯尼迪鼓舞到“感谢你把房间打扫得这样干净”，然而清洁工回答说：“不，总统先生，我不是在拖地板，我是在帮助我们登月。”

积攒许久链接，于是该用短文方式。改名 many links仿O’Reilly的Four Short Links.
1.
Kafka Streams Topology Visualizer
正如其自述“A tool helps visualizing stream topologies by generating nice looking diagrams from a kafka stream topology descriptions.”
如果你苦于向他人解释采用的kafka stream 数据处理逻辑，可以考虑该连接生成可视化图片展示，适合作为架构设计插图。
2.
The world beyond batch: Streaming 101
老文章，流式数据处理101，正如文述“A high-level tour of modern data-processing concepts.”值得一看
不过文章显然着重是对几个“时间”的理解以及流的粒度探讨：
Event time vs. processing time
Data processing patterns
Bounded data/Unbounded data — batch
Fixed windows/Time-agnostic
Filtering/Inner-joins/Windowing
3.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

使用火焰图展示结果
1、Flame Graph项目位于GitHub上：https://github.com/brendangregg/FlameGraph
2、可以用git将其clone下来：git clone https://github.com/brendangregg/FlameGraph.git
我们以perf为例，看一下flamegraph的使用方法：
1、第一步
$sudo perf record -e cpu-clock -g -p 28591
Ctrl+c结束执行后，在当前目录下会生成采样数据perf.data.
2、第二步
用perf script工具对perf.data进行解析
perf script -i perf.data &> perf.unfold
3、第三步
将perf.unfold中的符号进行折叠：
#./stackcollapse-perf.pl perf.unfold &> perf.folded
4、最后生成svg图：
./flamegraph.pl perf.folded > perf.svg

不知不觉的，一年过去，这一年，家人身体安康，幸事。然而来者不可知也。

下面是之前2-3个月积攒的文摘，清空一下，所以有些看起来可能是不够“新鲜”了。

1, Dubbo源代码分析九：优雅停机
http://manzhizhen.iteye.com/blog/2404220
这几天从dubbo-admin有机会看了一点dubbo代码，对上述shutdown方式，有了点体会。
可以说2.5.3版本 dubbo和dubbo-admin交互还是有多处bug的，比如可以对比 com.alibaba.dubbo.registry.integration.RegistryProtocol在2.5.3和2.5.8版本的实现（doChangeLocalExport/notify方法）。

3，python根据项目生成requirements.txt
查看一些python项目，很多并未采用requirements.txt方式，编译起来耗费时间，今天学到了可以用 pip freeze的方式：

python项目中必须包含一个 requirements.txt 文件，用于记录所有依赖包及其精确的版本号。以便新环境部署。
在虚拟环境中使用pip生成：
(venv) $ pip freeze >requirements.txt
这种方式配合virtualenv 才好使，否则把整个环境中的包都列出来了。
使用 pipreqs
这个工具的好处是可以通过对项目目录的扫描，自动发现使用了那些类库，自动生成依赖清单。
缺点是可能会有些偏差，需要检查并自己调整下。
# pip install pipreqs
# 使用方式也比较简单
pipreqs ./

很久没有写博客了，感觉快要生疏，今天简单写一点，记录发现的几个问题。

1，
在集群增加一个节点后，不要只看是否启动成功，一定要验证下是否加入集群
考虑到32G内存的官方推荐，很多人会选择同一物理机部署两个以上节点（>128G内存），分配两个端口。比如9300/19300.
比如集群在 10.135.30.12:9200/9300 是一个master节点，之后拷贝配置新增如下一个节点：

1
2
3
4
5

cluster.name: elasts
node.master: false
node.data: true
transport.tcp.port: 19300
discovery.zen.ping.unicast.hosts: ["10.135.30.12"]

会发现该节点启动成功，但是没有加入到elasts这个cluster里。 设置为debug级别再启动，不仔细看是发现不了问题的。