内容简介:目前在规划、开发性能自动化执行框架,其中有个环节很有意思,就是如何通过框架自动获得场景执行期间的Oracle awr报告。虽然Oracle客户端提供的awrrpt.sql脚本可以提供交互方式生成awr报告,但并不能直接使用在自动化框架中,至少需要做一些改造,将交互的模式变成可以静默执行。经过对问题的分析,有两种基本的解决思路:A. 在oracle服务器上部署shell脚本,使用shell命令启动oracle的sqlplus执行autoawr.sql,其中autoawr.sql主要用于获取必须入参值,然后
目前在规划、开发性能自动化执行框架,其中有个环节很有意思,就是如何通过框架自动获得场景执行期间的Oracle awr报告。虽然Oracle客户端提供的awrrpt.sql脚本可以提供交互方式生成awr报告,但并不能直接使用在自动化框架中,至少需要做一些改造,将交互的模式变成可以静默执行。
一 问题分析
经过对问题的分析,有两种基本的解决思路:
A. 在oracle服务器上部署 shell 脚本,使用shell命令启动oracle的sqlplus执行autoawr.sql,其中autoawr.sql主要用于获取必须入参值,然后调用oracle包的DBMS_WORKLOAD_REPOSITORY.awr_report_html实现awr报告的自动生成;
B. 直接在性能框架里通过本地的sqlplus调用oracle包的DBMS_WORKLOAD_REPOSITORY.awr_report_html实现awr报告的生成;
二 方案比较
两种思路的比较:
对于A,需要提前将改造的shell脚本和 sql 脚本部署到oracle服务器,该步骤是脱离框架的,且生成的报告是在oracle服务器上,需要框架提供方法将远程oracle上的awr获取到本地,用于后续分析和报告输出;
对于B,在框架实现了该功能,使用框架前无需额外部署,使框架更独立,使用更方便,且可以直接将报告生成在本地指定的位置;
本质上,两种思路是相同的,只是对于性能框架而言,该功能应该在哪端实现,是性能框架还是oracle服务器。
三 实现思路
通过对实现端的比较,决定将该功能在性能框架实现,简要描述一下实现思路。
实现分为三步:
第一:获取awr_report_html函数的4参数,即dbid,inst_num,l_bid,l_eid;
第二:拼接调用awr_report_html且使用spool将结果写入html的sql语句;
第三:调用sqlplus执行sql文件,生成awr;
四 awr_report_html函数
Awr_report_html函数如下:
函数使用方法一般为:
SELECT output FROM TABLE(DBMS_WORKLOAD_REPOSITORY.AWR_REPORT_HTML(dbid, inst_num,l_bid,l_eid,0));
需要注意的是:
1. 虽然通过调用AWR_REPORT_HTML可以select到html格式的text,在 python 实现时我并没有将返回结果放到迭代器里,通过readlines的方法写入html文件,因output里包含了一些额外信息,生成的html并不能顺利打开,原因与sqlplus的参数配置有关,因为采用spool直接写入文件的方法;
2. 使用spool时,在sql脚本里设置以下sqlplus配置,避免输出中包含无关信息或格式问题,设置如下:
set heading off
set trimout on
set trimspool on
set linesize 2500
五 python 源码
根据上述思路,实现源码如下:
Linux公社的RSS地址: https://www.linuxidc.com/rssFeed.aspx
本文永久更新链接地址: https://www.linuxidc.com/Linux/2018-08/153350.htm
以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网
猜你喜欢:- 数据生成工具 ZenData 发布 2.0 版本,自动生成“互联网黑话”!
- 自动生成高效DNN,适用于边缘设备的生成合成工具FermiNets
- Simulink自动生成代码
- changelog 日志自动生成插件
- 深度有趣 | 23 歌词古诗自动生成
- 自定义Mybatis自动生成代码规则
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
机器学习及其应用2007
周志华 编 / 清华大学 / 2007-10 / 37.00元
机器学习是人工智能的一个核心研究领域,也是近年来计算机科学中最活跃的研究分支之一。目前,机器学习技术不仅在计算机科学的众多领域中大显身手,还成为一些交叉学科的重要支撑技术。本书邀请相关领域的专家撰文,以综述的形式介绍机器学习中一些领域的研究进展。全书共分13章,内容涉及高维数据降维、特征选择、支持向量机、聚类、强化学习、半监督学习、复杂网络、异构数据、商空间、距离度量以及机器学习在自然语言处理中的......一起来看看 《机器学习及其应用2007》 这本书的介绍吧!