以前也写过一篇文章叫做购买 VPS 之后需要做的事情 其中也提到了一些安全设置来确保 VPS 的安全性，但是那篇文章更多的集中于设置和配置。那这篇文章就集中总结归纳一下需要特别注意的安全问题。
经常检查系统更新，尤其是出现重大安全问题时一定更新到最新的系统，以 Debian/Ubuntu/LinuxMint 为例
apt-get update
apt-get upgrade
SSH 默认使用 22 端口，我们和 VPS 打交道用的最多的就是这一个端口，修改 /etc/ssh/sshd_config 中 Port 的设置，修改为其他端口，然后使用
ssh -p <the port you set> name@server.ip
来指定端口访问，虽然修改为非默认端口也避免不了被扫描出来，但概率要稍微低一点。
推荐使用公钥、私钥来登录 VPS，在本机 ssh-copy-id name@server.ip 将本地公钥拷贝 到远程 ~/.ssh/authorized_keys 文件中
限制 root 账户登录 SSH 同理，修改 /etc/ssh/sshd_config 将 PermitRootLogin 值改为 no。注意之前先新建可用账户，然后再禁用 root 登录。
adduser [nickname_you_want]
adduser [nickname_you_want] sudo # 或者 visudo
不响应 ping，修改 /proc/sys/net/ipv4/icmp_echo_ignore_all 文件，0 为允许，1 为禁止
# 禁止 ping
echo 1 > /proc/sys/net/ipv4/icmp_echo_ignore_all
# 允许 ping
echo 0 > /proc/sys/net/ipv4/icmp_echo_ignore_all
编辑 /etc/security/limits.conf 添加配置：
* hard maxlogins 2
Fail2ban 是一个能够保护 SSH 等常用端口暴力破解的工具
sudo apt install fail2ban
项目的配置地址在 /etc/fail2ban/ 目录下。其中可以找到一个 jail.conf 的配置文件，该文件可能在升级时被覆盖，所以可以拷贝一份 cp /etc/fail2ban/jail.conf /etc/fail2ban/jail.local 来编辑 local 文件，fail2ban 配置文件优先级：
编辑 /etc/fail2ban/jail.local
[DEFAULT]
# "ignoreip" can be an IP address, a CIDR mask or a DNS host. Fail2ban will not
# ban a host which matches an address in this list. Several addresses can be
# defined using space separator.
ignoreip = 127.0.0.1/8 123.45.67.89
# "bantime" is the number of seconds that a host is banned.
bantime = 31536000 ; 1 year
# A host is banned if it has generated "maxretry" during the last "findtime"
# seconds.
findtime = 600
maxretry = 3
更多的配置可以参考这篇文章
fail2ban 的日志可以在 /var/log/fail2ban.log 查看。
当你发现服务器有异常请求时，如何查看服务器用户登录日志。首先查看当前服务器登录的用户
w
使用该命令可以查看当前连接在线的用户，然后使用
last
来查看过去一段时间的登录用户，包括登录用户名，登录 IP，登录时间，时长等等。如果发现异常等级即使处理。
然后检查 sudo less /var/log/auth.log 文件查看登录日志。
cAdvisor 可以对节点机器上的资源及容器进行实时监控和性能数据采集，包括CPU使用情况、内存使用情况、网络吞吐量及文件系统使用情况，cAdvisor集成在Kubelet中，当kubelet启动时会自动启动cAdvisor，即一个cAdvisor仅对一台Node机器进行监控。kubelet的启动参数 –cadvisor-port 可以定义cAdvisor对外提供服务的端口，默认为4194。
cAdvisor原生支持 Docker 容器，cAdvisor 容器是基于Google的 Imctfy 开发。cAdvisor 运行一个守护进程用来收集每一个容器的数据，cAdvisor 的数据可以使用一下方式获取：
更多的内容可以访问项目主页：http://github.com/google/cadvisor
cAdvisor 有两种方法来运行，一种是以二进制可执行文件，另一种是以 Docker 容器运行。
这里先介绍使用 Docker 容器运行的方法，使用docker容器运行cadvisor的方法如下：
docker run \
--volume=/:/rootfs:ro \
--volume=/var/run:/var/run:rw \
--volume=/sys:/sys:ro \
--volume=/var/lib/docker/:/var/lib/docker:ro \
--publish=8080:8080 \
--detach=true \
--name=cadvisor \
google/cadvisor:latest
运行之后，便可通过http://IP:8080来访问web界面。可以看到CPU的使用率、内存使用率、网络吞吐量以及磁盘空间利用率，点击界面顶部 docker 可以进入查看某个docker容器的详细信息。
注意，在 Ret Hat, CentOS, Fedora 等发行版上需要传递如下参数，因为 SELinux 加强了安全策略：
--privileged=true
设置为true之后，容器内的root才拥有真正的root权限，可以看到host上的设备，并且可以执行mount；否者容器内的root只是外部的一个普通用户权限。由于cadvisor需要通过socket访问docker守护进程，在CentOs和RHEL系统中需要这个这个选项。
--volume=/cgroup:/cgroup:ro
对于CentOS和RHEL系统的某些版本（比如CentOS6），cgroup的层级挂在/cgroup目录，所以运行cadvisor时需要额外添加–volume=/cgroup:/cgroup:ro选项。
cAdvisor 项目在他的 release 页面发布了可执行的二进制，这些文件可以直接下载并执行
wget https://github.com/google/cadvisor/releases/download/v0.26.1/cadvisor
chmod 755 cadvisor
./cadvisor
默认情况下 cAdvisor 的网页端口为 8080，直接访问本地 http://localhost:8080 即可。
cadvisor还提供远程调用的REST API，详情可以参考如下文档：https://github.com/google/cadvisor/blob/master/docs/api.md
另外，github上还有提供了一个用Go语言实现的调用REST API的客户端：https://github.com/google/cadvisor/tree/master/client
之前一篇文章 介绍了 Java 8 中 stream 基本用法，这里主要说 collect，flatmap，map 这三个比较重要的方法使用。
基础数据结构
class Person {
String name;
int age;
Person(String name, int age) {
this.name = name;
this.age = age;
}
@Override
public String toString() {
return name;
}
}
下面的例子覆盖了 collect 绝大部分的使用案例。
@Test
public void testCollectAdvance() {
List<Person> persons =
Arrays.asList(
new Person("Max", 18),
new Person("Peter", 23),
new Person("Pamela", 23),
new Person("David", 12));
Supplier<Stream<Person>> supplier = () -> persons.stream();
Set<Person> nameWithP = supplier.get()
.filter(p -> p.name.startsWith("P"))
.collect(Collectors.toSet());
System.out.println(nameWithP); // [Pamela, Peter]
Map<Integer, List<Person>> groupByAge = supplier.get()
.collect(Collectors.groupingBy(p -> p.age));
System.out.println(groupByAge);
Double averageAge = supplier.get()
.collect(Collectors.averagingInt(p -> p.age));
System.out.println(averageAge);
IntSummaryStatistics ageSummary = supplier.get()
.collect(Collectors.summarizingInt(p -> p.age));
System.out.println(ageSummary);
String phrase = supplier.get()
.filter(p -> p.age >= 18)
.map(p -> p.name)
.collect(Collectors.joining(" and ", "In Germany ", " are of legal age."));
System.out.println(phrase);
Map<Integer, String> map = supplier.get()
.collect(Collectors.toMap(
p -> p.age,
p -> p.name,
(name1, name2) -> name1 + ";" + name2
));
System.out.println(map);
// 如果要实现自己的 collector
Collector<Person, StringJoiner, String> personStringJoinerStringCollector = Collector.of(
() -> new StringJoiner(" | ", "[ ", " ]"), // supplier
(j, p) -> j.add(p.name.toUpperCase()), // accumulator
(j1, j2) -> j1.merge(j2), // combiner
StringJoiner::toString // finisher
);
String personStr = supplier.get().collect(personStringJoinerStringCollector);
System.out.println(personStr);
}
JDK 为我们实现了大部分常用的 Collector，都可以在 Collectors 类中查看。而如果我们要想实现自己的 Collector ，则需要提供四个实现，supplier，accumulator，combiner，finisher。
首先使用 Collector.of 这个静态方法来创建自定义 collector，这个静态方法需要上面提到的四个参数。
supplier 需要提供一个存放结果的容器，accumulator 的内容会存放在 supplier 中，比如上面例子中
() -> new StringJoiner(" | ")
accumulator 将累加结果添加到 supplier 创建的结果容器中，该方法有两个参数，第一个参数为 supplier 提供的结果，另一个为流中的数据
(joiner, person) -> joiner.add(person.name.toUpperCase())
在 sequential reduction 中上面两步已经足够，但是为了支持 parallel 需要提供 combiner, combiner 是定义两个结果如何合并的方法，在 parallel 的场景下，流会被分为多个部分计算，最后结果需要按照 combiner 中定义的方法来合并。
(j1, j2) -> j1.merge(j2)
虽然之前定义了 StringJoiner 来存放结果，但其实我们需要的并不是 StringJoiner，而是一个 String，所以在结果返回的时候，我们可以将 StringJoiner map 到 String 来作为返回。
Collector.of 最后有一个可变参数 Characteristics ，这个参数有三个取值：
CONCURRENT 表明一个 result container 可以同时被多个 accumulator 使用IDENTITY_FINISH 表明 finisher 方法是 identity function ，可以被省略UNORDERED 表明 colletor 不依赖于元素的排序更多关于 Collector 的内容可以参考 Java doc
之前的文章 已经讨论过将流中的对象通过 map 转成另外一种对象，但是 map 有一个限制每一个对象只能被 map 到另外一个对象，如果要将一个对象转变为多个对象，或者变成 none 呢？所以 FlatMap 就是做这个用途的。
引入基本数据结构
class Foo {
String name;
List<Bar> bars = new ArrayList<>();
Foo(String name) {
this.name = name;
}
@Override
public String toString() {
return "Foo{" +
"name='" + name + '\'' +
", bars=" + bars +
'}';
}
}
class Bar {
String name;
Bar(String name) {
this.name = name;
}
@Override
public String toString() {
return "Bar{" +
"name='" + name + '\'' +
'}';
}
}
然后填充一些数据
@Test
public void testFlatMapAdvanced() {
List<Foo> foos = Lists.newArrayList();
IntStream.range(1, 4).forEach(i -> foos.add(new Foo("Foo" + i)));
foos.forEach(f -> IntStream.range(1, 4)
.forEach(i -> f.bars.add(new Bar("Bar" + i + " <- " + f.name))));
Supplier<Stream<Foo>> supplier = foos::stream;
supplier.get()
.flatMap(f -> f.bars.stream())
.forEach(b -> System.out.println(b.name));
List<Bar> list = supplier.get()
.flatMap(f -> f.bars.stream())
.collect(Collectors.toList());
System.out.println(list);
}
FlatMap 将这个双层的数据结构拍扁，生成一个 List<Bar>
Reduction 操作将流中的所有元素缩减到一个结果， Java 8 中支持三种方式的 reduce 操作。
reduce(BinaryOperator<T>)
reduce(T, BinaryOperator<T>)
reduce(U, BiFunction<U, ? super T, U>, BinaryOperator<U>)
第一种方法接受一个 BinaryOperator accumulator 方法，其实是一个两边类型相同的 BiFunction。BiFunction 和 Function 类似，但是接受两个参数。
List<Person> persons =
Arrays.asList(
new Person("Max", 18),
new Person("Peter", 23),
new Person("Pamela", 23),
new Person("David", 12));
Supplier<Stream<Person>> supplier = persons::stream;
supplier.get().reduce((p1, p2) -> p1.age > p2.age ? p1 : p2)
.ifPresent(System.out::println);
第二种方法接受两个参数一个 T，一个 BinaryOperator，比如说可以汇总四个 Person 到一个新的 Person
Person finalPerson = supplier.get()
.reduce(new Person("", 0), (p1, p2) -> {
p1.age += p2.age;
p1.name = p1.name.concat(p2.name);
return p1;
});
System.out.println(finalPerson);
第三种方法接受三个参数，一个 T，一个 BiFunction (accumulator)，一个 BinaryOperator (combiner function)，如果我们只想要所有 Person 的年龄总和，其实上面的例子中并不需要 name 的值，所以可以添加一个 BiFunction （累加器）
Integer totalAge = supplier.get()
.reduce(
0,
(sum, p) -> {
System.out.format("accumulator: sum=%s; person=%s\n", sum, p);
return sum += p.age;
},
(sum1, sum2) -> {
System.out.format("combiner: sum1=%s; sum2=%s", sum1, sum2);
return sum1 + sum2;
}
);
System.out.println(totalAge);
打印内容
accumulator: sum=0; person=Person{name='Max', age=18}
accumulator: sum=18; person=Person{name='Peter', age=23}
accumulator: sum=41; person=Person{name='Pamela', age=23}
accumulator: sum=64; person=Person{name='David', age=12}
76
通过打印的内容可以看到 accumulator 打印出了所有内容，sum 一直在累加，但是观察发现 combiner 根本没有做任何操作。这是因为我们创建的这个 stream 是一个串行的，而不是 parallelStream()，所以没有调用到 combiner。如果换成下面这种方式就能看到区别了。
Integer ageSum = persons
.parallelStream()
.reduce(0,
(sum, p) -> {
System.out.format("accumulator: sum=%s; person=%s\n", sum, p);
return sum += p.age;
},
(sum1, sum2) -> {
System.out.format("combiner: sum1=%s; sum2=%s\n", sum1, sum2);
return sum1 + sum2;
});
// accumulator: sum=0; person=Pamela
// accumulator: sum=0; person=David
// accumulator: sum=0; person=Max
// accumulator: sum=0; person=Peter
// combiner: sum1=18; sum2=23
// combiner: sum1=23; sum2=12
// combiner: sum1=41; sum2=35
本意上想要了解一下 Docker 容器中 Volume 的备份，毕竟重要的数据都在 Volume 中。然后顺带看了一下 Docker 镜像，容器的备份，不过镜像和容器托管到 Docker Hub 上也算是备份了。
Volume 可以叫做 数据卷，可供一个或者多个容器使用：
这里说的备份指的是直接从本地备份镜像文件，可以使用 docker save 命令将镜像打包成 tar 文件，之后可以使用 docker load 命令来恢复。
备份容器有不同的方法：
需要注意的是所有的命令都只会备份容器 layered file system ，不包括 挂载的数据卷 Volumes
Docker user guide 中有非常详细的知道，如何备份数据卷，这样就可以在新容器启动时使用备份好的数据。当备份 data volume 时，需要先关闭容器。
docker volume create my-vol # 创建数据卷
docker volume ls # 查看所有数据卷
docker volume inspect my-vol # 查看指定数据卷内容
docker run -d -P \
--name web \
# -v my-vol:/wepapp \
--mount source=my-vol,target=/webapp \
training/webapp \
python app.py # 启动并挂载一个数据卷 使用 `--mount`
docker inspect web # 查看容器中 mount 信息
docker volume rm my-vol # 移除数据卷
数据卷 是被设计用来持久化数据的，它的生命周期独立于容器，Docker 不会在容器被删除后自动删除 数据卷，并且也不存在垃圾回收这样的机制来处理没有任何容器引用的 数据卷。如果需要在删除容器的同时移除数据卷。可以在删除容器的时候使用 docker rm -v 这个命令。
无主(dangling)的数据卷可能会占据很多空间，要清理请使用以下命令
docker volume prune
比如在 docker compose 中定义了 volumes
volumes:
db_data:
那么在启动 docker compose 之后会生成一个 DOCKER_COMPOSE_NAME 加上 VOLUME_NAME 的容器卷
[DOCKER_COMPOSE_NAME]_[VOLUME_NAME]
那么可以使用下面的命令来备份数据卷:
docker run --rm \
--volume [DOCKER_COMPOSE_PREFIX]_[VOLUME_NAME]:/[TEMPORARY_DIRECTORY_TO_STORE_VOLUME_DATA] \
--volume $(pwd):/[TEMPORARY_DIRECTORY_TO_STORE_BACKUP_FILE] \
alpine \
tar cvf /[TEMPORARY_DIRECTORY_TO_STORE_BACKUP_FILE]/[BACKUP_FILENAME].tar /[TEMPORARY_DIRECTORY_TO_STORE_VOLUME_DATA]
看清楚其中的临时 DATA 目录和 临时备份目录，执行该命令之后，在当前文件夹下就会产生 BACKUP_FILENAME.tar 这样的文件，里面包含数据卷中的内容。
那么就能够使用该命令来恢复数据卷数据
docker run --rm \
--volume [DOCKER_COMPOSE_PREFIX]_[VOLUME_NAME]:/[TEMPORARY_DIRECTORY_STORING_EXTRACTED_BACKUP] \
--volume $(pwd):/[TEMPORARY_DIRECTORY_TO_STORE_BACKUP_FILE] \
alpine \
tar xvf /[TEMPORARY_DIRECTORY_TO_STORE_BACKUP_FILE]/[BACKUP_FILENAME].tar -C /[TEMPORARY_DIRECTORY_STORING_EXTRACTED_BACKUP] --strip 1
如果是数据库容器，比如 mysql 容器，备份数据可以使用如下方式
docker exec [CONTAINER_NAME] /usr/bin/mysqldump -u root --password=root [DATABASE] > backup.sql
然后使用下面的命令来恢复
cat backup.sql | docker exec -i [CONTAINER_NAME] /usr/bin/mysql -u root --password=root [DATABASE]
对于 docker compose 启动的多个容器，可能因为宿主机器变化而导致 docker 容器的id有变化，可能在回复数据之后，还需要对数据库连接的地址进行修改才能完整的恢复。
仅仅作为记录，为了不让树莓派吃灰。主要参考官网这篇文章。
Docker 的好用程度已经不比多说，经过这两年的发展已经非常成熟，还记得一年前买的书已经跟不上Docker的发展了，所以这里还是推荐 Docker 的官方文档，要比市面上存在所有书籍要详细。不过要是想要了解 Docker 的内部技术还是有不少好书可以参考。跑偏了，回到正题。
Docker 官方已经支持 Raspbian Jessie，所以可以直接安装：
curl -sSL https://get.docker.com | sh
Docker client 只能被 root 或者 docekr group 中的用户使用，所以将 pi 用户添加到 docker 用户组：
sudo usermod -aG docker pi
如果拉取了 busybox 镜像，可能会发现工作不正常，这只是因为有些镜像是为了 PC 或者 x86_64 架构设计的，可能未来版本会修复，所以应该使用那些设计为了在 ARM 上运行的镜像，目前 Docker 团队维护了一小部分镜像，可以在arm32v6这个用户下找到。
可以使用 arm32v6/alpine 作为基础镜像，同样也可以使用 Resin.io 制作的镜像，该镜像被用在了当前 Docker 中，这是一个轻量版本的 Raspberry Jessie。
比如说想要制作一个在树莓派上能够跑的镜像，可以以 resion/rpi-raspbian 作为基础镜像
FROM resin/rpi-raspbian:latest
ENTRYPOINT []
RUN apt-get update && \
apt-get -qy install curl ca-certificates
CMD ["curl", "https://docker.com"]
或者也可以
FROM arm32v6/alpine:3.5
RUN apk add --no-cache curl ca-certificates
CMD ["curl", "https://docker.com"]
build 命令
docker build -t curl_docker .
docker run curl_docker
如果不怎么使用 Raspberry Pi 连接显示器，或者不怎么使用 GPU，可以限制 gpu 内存的占用，修改 /boot/config.txt 添加下面一行：
gpu_mem=16
percona-toolkit 源自 Maatkit 和 Aspersa 工具，这两个工具是管理 MySQL 的最有名的工具，但 Maatkit 已经不维护了，全部归并到 percona-toolkit。Percona Toolkit 是一组高级的命令行工具，用来管理 MySQL 和系统任务，主要包括：
这里主要介绍在线修改表结构功能。
在运维 MySQL 数据库时，我们总会对数据表进行 ddl 变更，修改添加字段或者索引，对于 MySQL 而已，ddl 显然是一个令所有 MySQL dba 诟病的一个功能，因为在 MySQL 中在对表进行 ddl 时，会锁表，当表比较小，比如小于 1w 上时，对前端影响较小，当时遇到千万级别的表 就会影响前端应用对表的写操作。在 5.1 之前都是非常耗时耗力的，在 5.1 之后随着 Plugin innodb 的出现在线加索引的提高了很多，但是还会影响（时间缩短了）; 不过 5.6 可以避免上面的情况。目前 InnoDB 引擎是通过以下步骤来进行 DDL 的 （注：mysql 版本查看：mysql -V) ：
insert into tmp_table select * from original_table我们可以看见在 InnoDB 执行 DDL 的时候，原表是只能读不能写的。为此 perconal 推出一个工具 pt-online-schema-change ，其特点是修改过程中不会造成读写阻塞。
pt-online-schema-change 工作原理
alter-foreign-keys-method 参数的值，检测外键相关的表，做相应设置的处理。没有使用 alter-foreign-keys-method 指定特定的值，该工具不予执行_new—-_原表名_new官网下载地址：
pt-online-schema-change 使用
pt-online-schema-change [OPTIONS] DSN
OPTIONS 参数说明：
--user:
-u，连接的用户名
--password：
-p，连接的密码
--database：
-D，连接的数据库
--port
-P，连接数据库的端口
--host:
-h，连接的主机地址
--socket:
-S，连接的套接字文件
--ask-pass
隐式输入连接 MySQL 的密码
--charset
指定修改的字符集
--defaults-file
-F，读取配置文件
--alter：
结构变更语句，不需要 alter table 关键字。可以指定多个更改，用逗号分隔。如下场景，需要注意：
不能用 RENAME 来重命名表。
列不能通过先删除，再添加的方式进行重命名，不会将数据拷贝到新列。
如果加入的列非空而且没有默认值，则工具会失败。即其不会为你设置一个默认值，必须显示指定。
删除外键 (drop foreign key constrain_name) 时，需要指定名称_constraint_name，而不是原始的 constraint_name。
如：CONSTRAINT `fk_foo` FOREIGN KEY (`foo_id`) REFERENCES `bar` (`foo_id`)，需要指定：--alter "DROP FOREIGN KEY _fk_foo"
--alter-foreign-keys-method
如何把外键引用到新表？需要特殊处理带有外键约束的表，以保证它们可以应用到新表。当重命名表的时候，外键关系会带到重命名后的表上。
该工具有两种方法，可以自动找到子表，并修改约束关系。
auto： 在 rebuild_constraints 和 drop_swap 两种处理方式中选择一个。
rebuild_constraints：使用 ALTER TABLE 语句先删除外键约束，然后再添加。如果子表很大的话，会导致长时间的阻塞。
drop_swap： 执行 FOREIGN_KEY_CHECKS=0, 禁止外键约束，删除原表，再重命名新表。这种方式很快，也不会产生阻塞，但是有风险：
1, 在删除原表和重命名新表的短时间内，表是不存在的，程序会返回错误。
2, 如果重命名表出现错误，也不能回滚了。因为原表已经被删除。
none： 类似"drop_swap"的处理方式，但是它不删除原表，并且外键关系会随着重命名转到老表上面。
--[no]check-alter
默认 yes，语法解析。配合 --dry-run 和 --print 一起运行，来检查是否有问题（change column，drop primary key）。
--max-lag
默认 1s。每个 chunk 拷贝完成后，会查看所有复制 Slave 的延迟情况。要是延迟大于该值，则暂停复制数据，直到所有从的滞后小于这个值，使用 Seconds_Behind_Master。如果有任何从滞后超过此选项的值，则该工具将睡眠 --check-interval 指定的时间，再检查。如果从被停止，将会永远等待，直到从开始同步，并且延迟小于该值。如果指定 --check-slave-lag，该工具只检查该服务器的延迟，而不是所有服务器。
--check-slave-lag
指定一个从库的 DSN 连接地址，如果从库超过 --max-lag 参数设置的值，就会暂停操作。
--recursion-method
默认是 show processlist，发现从的方法，也可以是 host，但需要在从上指定 report_host，通过 show slave hosts 来找到，可以指定 none 来不检查 Slave。
METHOD USES
=========== ==================
processlist SHOW PROCESSLIST
hosts SHOW SLAVE HOSTS
dsn=DSN DSNs from a table
none Do not find slaves
指定 none 则表示不在乎从的延迟。
--check-interval
默认是 1。--max-lag 检查的睡眠时间。
--[no]check-plan
默认 yes。检查查询执行计划的安全性。
--[no]check-replication-filters
默认 yes。如果工具检测到服务器选项中有任何复制相关的筛选，如指定 binlog_ignore_db 和 replicate_do_db 此类。发现有这样的筛选，工具会报错且退出。因为如果更新的表 Master 上存在，而 Slave 上不存在，会导致复制的失败。使用–no-check-replication-filters 选项来禁用该检查。
--[no]swap-tables
默认 yes。交换原始表和新表，除非你禁止 --[no]drop-old-table。
--[no]drop-triggers
默认 yes，删除原表上的触发器。 --no-drop-triggers 会强制开启 --no-drop-old-table 即：不删除触发器就会强制不删除原表。
--new-table-name
复制创建新表的名称，默认 %T_new。
--[no]drop-new-table
默认 yes。删除新表，如果复制组织表失败。
--[no]drop-old-table
默认 yes。复制数据完成重命名之后，删除原表。如果有错误则会保留原表。
--max-load
默认为 Threads_running=25。每个 chunk 拷贝完后，会检查 SHOW GLOBAL STATUS 的内容，检查指标是否超过了指定的阈值。如果超过，则先暂停。这里可以用逗号分隔，指定多个条件，每个条件格式： status 指标 =MAX_VALUE 或者 status 指标：MAX_VALUE。如果不指定 MAX_VALUE，那么工具会这只其为当前值的 120%。
--critical-load
默认为 Threads_running=50。用法基本与 --max-load 类似，如果不指定 MAX_VALUE，那么工具会这只其为当前值的 200%。如果超过指定值，则工具直接退出，而不是暂停。
--default-engine
默认情况下，新的表与原始表是相同的存储引擎，所以如果原来的表使用 InnoDB 的，那么新表将使用 InnoDB 的。在涉及复制某些情况下，很可能主从的存储引擎不一样。使用该选项会默认使用默认的存储引擎。
--set-vars
设置 MySQL 变量，多个用逗号分割。默认该工具设置的是： wait_timeout=10000 innodb_lock_wait_timeout=1 lock_wait_timeout=60
--chunk-size-limit
当需要复制的块远大于设置的 chunk-size 大小，就不复制。默认值是 4.0，一个没有主键或唯一索引的表，块大小就是不确定的。
--chunk-time
在 chunk-time 执行的时间内，动态调整 chunk-size 的大小，以适应服务器性能的变化，该参数设置为 0, 或者指定 chunk-size, 都可以禁止动态调整。
--chunk-size
指定块的大小，默认是 1000 行，可以添加 k,M,G 后缀。这个块的大小要尽量与 --chunk-time 匹配，如果明确指定这个选项，那么每个块就会指定行数的大小。
--[no]check-plan
默认 yes。为了安全，检查查询的执行计划。默认情况下，这个工具在执行查询之前会先 EXPLAIN, 以获取一次少量的数据，如果是不好的 EXPLAIN, 那么会获取一次大量的数据，这个工具会多次执行 EXPALIN, 如果 EXPLAIN 不同的结果，那么就会认为这个查询是不安全的。
--statistics
打印出内部事件的数目，可以看到复制数据插入的数目。
--dry-run
创建和修改新表，但不会创建触发器、复制数据、和替换原表。并不真正执行，可以看到生成的执行语句，了解其执行步骤与细节。--dry-run 与 --execute 必须指定一个，二者相互排斥。和 --print 配合最佳。
--execute
确定修改表，则指定该参数。真正执行。--dry-run 与 --execute 必须指定一个，二者相互排斥。
--print
打印 SQL 语句到标准输出。指定此选项可以让你看到该工具所执行的语句，和 --dry-run 配合最佳。
--progress
复制数据的时候打印进度报告，二部分组成：第一部分是百分比，第二部分是时间。
--quiet
-q，不把信息标准输出。
建立测试表：
CREATE TABLE `online_table` (
`id` int(11) primary key,
`name` varchar(10) DEFAULT NULL,
`age` int(11) DEFAULT NULL
) engine = innodb default charset utf8;
–-dry-run 不真实执行：
pt-online-schema-change --user=root --password=123456 --host=127.0.0.1 --alter "ADD COLUMN content text" D=test,t=online_table --print --dry-run
–-execute 真实执行：
pt-online-schema-change --user=root --password=123456 --host=127.0.0.1 --alter "ADD COLUMN content text" D=test,t=online_table --print --execute
查看表结构：
> describe online_table;
+---------+-------------+------+-----+---------+----------------+
| Field | Type | Null | Key | Default | Extra |
+---------+-------------+------+-----+---------+----------------+
| id | int(11) | NO | PRI | NULL | auto_increment |
| name | varchar(10) | YES | | NULL | |
| age | int(11) | YES | | NULL | |
| content | text | YES | | NULL | |
+---------+-------------+------+-----+---------+----------------+
4 rows in set (0.00 sec)
注：上面的执行可能会出现异常：
Error setting innodb_lock_wait_timeout: DBD::mysql::db do failed: Variable ‘innodb_lock_wait_timeout’ is a read only variable [for Statement “SET SESSION innodb_lock_wait_timeout=1”]. The current value for innodb_lock_wait_timeout is 50. If the variable is read only (not dynamic), specify –set-vars innodb_lock_wait_timeout=50 to avoid this warning, else manually set the variable and restart MySQL. 根据提示（innodb_lock_wait_timeout 是静态参数），加上–set-vars innodb_lock_wait_timeout=50 即可：
pt-online-schema-change --user=root --passwor=root --host=localhost --alter "ADD COLUMN content text" D=test,t=user --set-vars innodb_lock_wait_timeout=50 --print --execute
表结构
> describe tmp_test;
+-------+-------------+------+-----+---------+----------------+
| Field | Type | Null | Key | Default | Extra |
+-------+-------------+------+-----+---------+----------------+
| id | int(11) | NO | PRI | NULL | auto_increment |
| name | varchar(10) | YES | | NULL | |
+-------+-------------+------+-----+---------+----------------+
添加字段：
pt-online-schema-change --user=root --host=127.0.0.1 --alter "ADD COLUMN content text" D=crm_production,t=tmp_test --ask-pass --print --execute
Enter MySQL password:
报错，因为该工具在检测到服务器选项中有任何复制相关的筛选会退出，需要指定：–no-check-replication-filters
Replication filters are set on these hosts:
database2
replicate_do_db = crm_production
Please read the –check-replication-filters documentation to learn how to solve this problem. at /usr/local/bin/pt-online-schema-change line 8015, line 2.
加上参数：–no-check-replication-filters
pt-online-schema-change --user=root --host=127.0.0.1 --alter "ADD COLUMN content text" D=crm_production,t=tmp_test --ask-pass --no-check-replication-filters --print --execute
除了 add column，也可以 modify column，drop column，对于 change column 则需要指定：–no-check-alter
测试表：
create table tt(
id int not null auto_increment,
name varchar(10),primary key(id)
) engine=innodb default charset utf8;
create table xx(
id int not null auto_increment,
tt_id int not null,
name varchar(10),
primary key(id)
) engine=innodb default charset utf8;
alter table xx add foreign key fk_xx_tt_id(tt_id) references tt(id);
添加字段：
pt-online-schema-change --user=root --password=123456 --host=127.0.0.1 --alter "ADD COLUMN content text" D=test,t=tt --no-check-replication-filters --print --execute
执行错误退出，提示需要指定：–alter-foreign-keys-method 参数来操作有外键的表。要是没有外键而加了参数的话会出现： No foreign keys reference test.xx; ignoring –alter-foreign-keys-method。
使用 –-alter-foreign-keys-method
pt-online-schema-change --user=root --password=123456 --host=127.0.0.1 --alter "ADD COLUMN content text" D=test,t=tt --no-check-replication-filters --alter-foreign-keys-method auto --print --execute
注：对可靠性要求不高可以用 auto 模式更新，要是可靠性要求高则需要用 rebuild_constraints 模式。即：
--alter-foreign-keys-method rebuild_constraints
测试表：
CREATE TABLE `tmp_test` (
`id` int(11) NOT NULL AUTO_INCREMENT,
`name` varchar(10) DEFAULT NULL,
`age` int(11) DEFAULT NULL,
PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8
增加字段：
pt-online-schema-change --user=root --password=123456 --host=127.0.0.1 --alter "ADD COLUMN content text" D=test,t=tmp_test --no-check-replication-filters --alter-foreign-keys-method=auto --recursion-method=none --print --execute
删除字段：
pt-online-schema-change --user=root --password=123456 --host=127.0.0.1 --alter "DROP COLUMN content " D=test,t=tmp_test --no-check-replication-filters --alter-foreign-keys-method=auto --recursion-method=none --quiet --execute
修改字段：
pt-online-schema-change --user=root --password=123456 --host=127.0.0.1 --alter "MODIFY COLUMN age TINYINT NOT NULL DEFAULT 0" D=test,t=tmp_test --no-check-replication-filters --alter-foreign-keys-method=auto --recursion-method=none --quiet --execute
改名：
pt-online-schema-change --user=root --password=123456 --host=127.0.0.1 --alter "CHANGE COLUMN age address varchar(30)" D=test,t=tmp_test --no-check-alter --no-check-replication-filters --alter-foreign-keys-method=auto --recursion-method=none --quiet --execut
索引：
pt-online-schema-change --user=root --password=123456 --host=127.0.0.1 --alter "ADD INDEX idx_address(address)" D=test,t=tmp_test --no-check-alter --no-check-replication-filters --alter-foreign-keys-method=auto --recursion-method=none --print --execute
删除索引：
pt-online-schema-change --user=root --password=123456 --host=127.0.0.1 --alter "DROP INDEX idx_address" D=test,t=tmp_test --no-check-alter --no-check-replication-filters --alter-foreign-keys-method=auto --recursion-method=none --print --execute
其他可选项：
–no-drop-old-table 参数：
上面的测试都是把原表删除了，要是不删除原表则： –no-drop-old-table，这样会让原表（_test_binlog_old）保留。
pt-online-schema-change --user=root --password=123456 --host=127.0.0.1 --alter "ADD COLUMN a text" D=test,t=test_binlog --no-check-replication-filters --no-drop-old-table --print --execute
–max-load 选项
要是在线上环境上添加字段，但又不想影响到服务，可以用参数：–max-load 去执行该工具，默认是 Threads_running=25，即当前有这么多线程在运行的时候就暂停数据的复制，等少于该值则继续复制数据到新表：
pt-online-schema-change --user=root --password=123456 --host=127.0.0.1 --alter "add INDEX idx_address(address)" D=test,t=tmp_test --no-check-alter --no-check-replication-filters --alter-foreign-keys-method=auto --recursion-method=none --max-load=Threads_running=2 --statistics --print --execute
暂停的时候标准输出里面会有： Pausing because Threads_running=2。等到运行的线程数小于给定的值，则就继续复制数据，直到完成。
当业务量较大时，修改操作会等待没有数据修改后，执行最后的 rename 操作。因此，在修改表结构时，应该尽量选择在业务相对空闲时，至少修改表上的数据操作较低时，执行较为妥当。如果对外键表操作时，四种外键操作类型需要根据表的数据量和可靠程度，进行选择。处于可靠性的原因，尽量使用 rebuild_constraints 类型，如果没有可靠性要求，可以使用 auto 类型。
由于可能存在一定的风险，在操作之前，建议对数据表进行备份，可以使得操作更安全、可靠。使用该工具的前提是处理的表需要有主键或则唯一索引。当处理有外键的表时，需要加 –alter-foreign-keys-method 参数，值可以根据情况设置。当是主从环境，不在乎从的延迟，则需要加 –recursion-method=none 参数。当需要尽可能的对服务产生小的影响，则需要加上 –max-load 参数。
Java 8 中 stream 大大简化了 Collection 的操作，所以这篇文章就简单的了解下 stream 的基本用法，关于 collect，flatmap，map 等等更加高级的用法可能还需要另开一篇 总结。
Stream API 借助于同样新出现的 Lambda 表达式，极大的提高编程效率和程序可读性。同时它提供串行和并行两种模式进行汇聚操作，并发模式能够充分利用多核处理器的优势，使用 fork/join 并行方式来拆分任务和加速处理过程。
有很多种方法
中间操作会返回一个新的流，并且操作是延迟执行的 (lazy)，它不会修改原始的数据源，而且是由在终点操作开始的时候才真正开始执行。 这个 Scala 集合的转换操作不同，Scala 集合转换操作会生成一个新的中间集合，显而易见 Java 的这种设计会减少中间对象的生成。
distinct 保证输出的流中包含唯一的元素，它是通过 Object.equals(Object) 来检查是否包含相同的元素。
List<String> list = Arrays.asList("a", "b", "a", "c").stream()
.distinct()
.collect(Collectors.toList());
System.out.println(list); //[a, b, c]
filter 返回的流中只包含满足断言 (predicate) 的数据。
List<Integer> list = IntStream.range(1, 10)
.filter(i -> i % 2 == 0)
.boxed()
.collect(Collectors.toList());
System.out.println(list); // [2, 4, 6, 8]
对于原始类型，stream 无法处理，需要调用 boxed 将其装换成对应的 wrapper class
List<Integer> ints = IntStream.of(1,2,3,4,5)
.boxed()
.collect(Collectors.toList());
map 方法将流中的元素映射成另外的值，新的值类型可以和原来的元素的类型不同。
List<Integer> list = Stream.of("A", "B", "C")
.map(c -> c.hashCode())
.collect(Collectors.toList());
System.out.println(list); // [65, 66, 67]
也可以有 mapToInt
Stream.of("a1", "a2", "a3")
.map(s -> s.substring(1))
.mapToInt(Integer::parseInt)
.max()
.ifPresent(System.out::println); // 3
flatmap 方法混合了 map + flattern 的功能，它将映射后的流的元素全部放入到一个新的流中。它的方法定义如下：
<R> Stream<R> flatMap(Function<? super T,? extends Stream<? extends R>> mapper)
可以看到 mapper 函数会将每一个元素转换成一个流对象，而 flatMap 方法返回的流包含的元素为 mapper 生成的所有流中的元素。
List<List<String>> lists = Arrays.asList(Arrays.asList("a", "b"), Arrays.asList("c", "d"));
List<String> collect = lists.stream()
.flatMap(Collection::stream)
.collect(Collectors.toList());
System.out.println(collect); // [a, b, c, d]
limit 方法指定数量的元素的流。对于串行流，这个方法是有效的，这是因为它只需返回前 n 个元素即可，但是对于有序的并行流，它可能花费相对较长的时间，如果你不在意有序，可以将有序并行流转换为无序的，可以提高性能。
List<Integer> l = IntStream.range(1,100).limit(5)
.boxed()
.collect(Collectors.toList());
System.out.println(l);//[1, 2, 3, 4, 5]
peek 方法方法会使用一个 Consumer 消费流中的元素，但是返回的流还是包含原来的流中的元素。
String[] arr = new String[]{"a","b","c","d"};
Arrays.stream(arr)
.peek(System.out::println) //a,b,c,d
.count();
sorted() 将流中的元素按照自然排序方式进行排序，如果元素没有实现 Comparable，则终点操作执行时会抛出 java.lang.ClassCastException 异常。 sorted(Comparator<? super T> comparator)可以指定排序的方式。
对于有序流，排序是稳定的。对于非有序流，不保证排序稳定。
List<String> list = Arrays.asList("ac", "ab", "bc", "dc", "ad", "ea").stream()
.sorted((a, b) -> {
if (a.charAt(0) == b.charAt(0)) {
return a.substring(1).compareTo(b.substring(1));
} else {
return b.charAt(0) - a.charAt(0);
}
}).collect(Collectors.toList());
System.out.println(list);
skip 返回丢弃了前 n 个元素的流，如果流中的元素小于或者等于 n，则返回空的流。
终点操作，这些操作都是返回 Void ，所以不能在调用之后再使用中间操作。
这一组方法用来检查流中的元素是否满足断言。
noneMatch 只有在所有的元素都不满足断言时才返回 true, 否则 flase,
public boolean allMatch(Predicate<? super T> predicate) public boolean anyMatch(Predicate<? super T> predicate) public boolean noneMatch(Predicate<? super T> predicate)
举例
System.out.println(Stream.of(1, 2, 3, 4, 5).allMatch(i -> i > 0)); //true
System.out.println(Stream.of(1, 2, 3, 4, 5).anyMatch(i -> i > 0)); //true
System.out.println(Stream.of(1, 2, 3, 4, 5).noneMatch(i -> i > 0)); //false
System.out.println(Stream.<Integer>empty().allMatch(i -> i > 0)); //true
System.out.println(Stream.<Integer>empty().anyMatch(i -> i > 0)); //false
System.out.println(Stream.<Integer>empty().noneMatch(i -> i > 0)); //true
count 返回流中的元素数量，返回类型 long
long count = Stream.of(1, 2, 3, 4).count();
System.out.println(count);
实现为
mapToLong(e -> 1L).sum();
collect 方法是一个非常有用的终止操作，可以将 stream 转化成各种需要的结果，List，Set，Map 等等。collect 接受 Collector 作为参数，该参数支持四种操作：a supplier, an accumulator, a combiner and a finisher。听起来非常复杂，其实 Java 8 通过内建的 Collectors 类提供了绝大多数方法。
使用一个 collector 执行 mutable reduction 操作。辅助类 Collectors 提供了很多的 Collector，可以满足我们日常的需求，你也可以创建新的 Collector 实现特定的需求。它是一个值得关注的类，你需要熟悉这些特定的收集器，如聚合类 averagingInt、最大最小值 maxBy minBy、计数 counting、分组 groupingBy、字符串连接 joining、分区 partitioningBy、汇总 summarizingInt、化简 reducing、转换 toXXX 等。
.collect(Collectors.toList());
findAny() 返回任意一个元素，如果流为空，返回空的 Optional，对于并行流来说，它只需要返回任意一个元素即可，所以性能可能要好于 findFirst()，但是有可能多次执行的时候返回的结果不一样。
findFirst() 返回第一个元素，如果流为空，返回空的 Optional。
forEach 遍历流的每一个元素，执行指定的 action。它是一个终点操作，和 peek 方法不同。这个方法不担保按照流的 encounter order 顺序执行，如果对于有序流按照它的 encounter order 顺序执行，你可以使用 forEachOrdered 方法。
Stream.of(1,2,3,4,5).forEach(System.out::println);
max 返回流中的最大值，min 返回流中的最小值。
reduce 是常用的一个方法，事实上很多操作都是基于它实现的。在流上执行一个缩减操作，返回的结果是 Optional ，其中包含缩减的结果。
它有几个重载方法：
pubic Optional<T> reduce(BinaryOperator<T> accumulator)
pubic T reduce(T identity, BinaryOperator<T> accumulator)
pubic <U> U reduce(U identity, BiFunction<U,? super T,U> accumulator, BinaryOperator<U> combiner)
第一个方法使用流中的第一个值作为初始值，后面两个方法则使用一个提供的初始值。
Optional<Integer> total = Stream.of(1,2,3,4,5).reduce( (x, y) -> x +y);
Integer total2 = Stream.of(1,2,3,4,5).reduce(0, (x, y) -> x +y);
将流中的元素放入到一个数组中。
Java 8 默认的流是不能被重用的，一旦使用 terminal operations 流就被关闭了。
Stream<String> stream =
Stream.of("d2", "a2", "b1", "b3", "c")
.filter(s -> s.startsWith("a"));
stream.anyMatch(s -> true); // ok
stream.noneMatch(s -> true); // exception
重复调用同一个流时，比如上面的例子，就会抛出异常
java.lang.IllegalStateException: stream has already been operated upon or closed
at java.util.stream.AbstractPipeline.evaluate(AbstractPipeline.java:229)
at java.util.stream.ReferencePipeline.noneMatch(ReferencePipeline.java:459)
at com.winterbe.java8.Streams5.test7(Streams5.java:38)
at com.winterbe.java8.Streams5.main(Streams5.java:28)
为了克服这种限制，就必须创建 stream supplier，然后在每一次 intermediate operations 时调用
Supplier<Stream<String>> streamSupplier =
() -> Stream.of("d2", "a2", "b1", "b3", "c")
.filter(s -> s.startsWith("a"));
streamSupplier.get().anyMatch(s -> true); // ok
streamSupplier.get().noneMatch(s -> true); // ok
每一次调用 get() 方法都会创建一个新的 stream。
很早以前买一台VPS主要的功能就是翻墙，然后常年也仅仅是跑一个SS，后来渐渐的发现其实有一台服务器即使只有单核1G，也能够用来做很多事情。以前我也看过一些文章讲述如何充分利用起VPS，但大部分除了说自建网站，挂机刷YouTube赚钱外也都没有什么实质性的内容。而自从开始接触Docker，我渐渐的发现了很多服务，因此我自己搜罗了一些。当然其实 GitHub 上有一个 Awesome Selfhosted 这里面列举了成百上千种可以自己托管部署的服务，几乎可以代替掉日常生活中用到的80%的服务，可以自建 nextcloud 代替 Dropbox，可以用 WordPress 代替 Blogger，可以用 GitLab，gogs 代替 GitHub，你甚至可以构建自己的即时通讯，邮件服务，社交媒体1 等等。
当然这一切都无法离开一台可用稳定的VPS，并且借助Docker几乎可以做到无痛搭建，备份，迁移，不用在花费时间在环境和部署中。下面就分享一些我觉得很好用的服务，可以用来充分利用你的机器。
自建博客
文件共享服务，使用 Go 书写，可以用来快速分享本地文件给别人。支持 Web UI，也支持 API 上传。
一款文件夹浏览，一般情况下开启 Nginx 允许浏览目录的设置也足够了，h5ai提供了一些额外的功能，比如二维码，搜索等等
一款较 GitLab 轻便的 Git 托管服务。
持续集成 CI
内网穿透
签到服务，binux 写的自动签到服务
爬虫
无污染 DNS 服务器
作为跳板机 ssh 连接其他电脑用
aria2 挂机下载
Docker Volumes 机制通常用来给 Docker 容器保存持久化数据，使用 Volumes 有很多优势
Volumes 通常也优于容器的可写层，使用 Volumes 不会增加容器的体积，并且 Volumes 的内容存储在外部独立于容器的生命周期。如果容器不产生持久化数据，可以考虑使用 tmpfs mount来避免数据存储在其他可能的地方，避免增加容器的体积。
最开始 -v 或者 --volume 选项是给单独容器使用， --mount 选项是给集群服务使用。但是从 Docker 17.06 开始，也可以在单独容器上使用 --mount。通常来讲 --mount 选项也更加具体(explicit)和”啰嗦”(verbose)，最大的区别是
-v 选项将所有选项集中到一个值--mount 选项将可选项分开如果需要指定 volume driver 选项，那么必须使用 --mount
-v 或 --volume: 包含三个 field，使用 : 来分割，所有值需要按照正确的顺序。第一个 field 是 volume 的名字，并且在宿主机上唯一，对于匿名 volume，第一个field通常被省略；第二个field是宿主机上将要被挂载到容器的path或者文件；第三个field可选，比如说 ro--mount: 包含多个 key-value 对，使用逗号分割。--mount 选项更加复杂，但是各个值之间无需考虑顺序。
type，可以为 bind, volume, tmpfs, 通常为 volumesource 也可以写成 src，对于 named volumes，可以设置 volume 的名字，对于匿名 volume，可以省略destination 可以写成 dst或者 target 该值会挂载到容器readonly 可选，如果使用，表示只读volume-opt 可选，可以使用多次两个例子
docker run -d \
--name=nginxtest \
--mount source=nginx-vol,destination=/usr/share/nginx/html \
nginx:latest
docker run -d \
--name=nginxtest \
-v nginx-vol:/usr/share/nginx/html \
nginx:latest
Gogs 是一个能够自建Git托管服务的开源项目，用 Go 语言实现。因为较之 GitLab 轻量化一些，所以受到一定欢迎。
使用 Docker 来搭建 Gogs 服务时，需要额外依赖 MySQL，网上一般的教程都是先启动一个 MySQL 容器，开放端口，然后在启动 Gogs 容器配置。其实可以使用 docker-compose 一次性启动好。
version: '3.3'
services:
gogsdb:
image: mysql:5.7
container_name: gogsdb
restart: always
environment:
MYSQL_DATABASE: gogs
MYSQL_ROOT_PASSWORD: gogs
MYSQL_USER: gogs
MYSQL_PASSWORD: gogs
volumes:
- db_data:/var/lib/mysql_gogs
ports:
- "13306:3306"
networks:
- gogs-network
gogsapp:
depends_on:
- gogsdb
image: gogs/gogs
container_name: gogsapp
restart: always
ports:
- "322:22"
- "3000:3000"
volumes:
- app_data:/data
networks:
- gogs-network
volumes:
db_data:
app_data:
networks:
gogs-network:
driver: bridge
在第一次安装的时候你可能遇到下面的错误：
数据库设置不正确：dial tcp 127.0.0.1:13306: getsockopt: connection refused
或者
Database setting is not correct: dial tcp 127.0.0.1:13306: getsockopt: connection refused
这个错误的意思就是他表达的意思，gogs 想要在 127.0.0.1:13306 这个地址和端口连接 MySQL 失败了，我找了一圈之后发现，这里的地址需要填写 MySQL 容器的网关地址。
sudo docker inspect gogsdb
查看输出中的 Gateway 字段，填写这个地址。
最新的内容可以参考: https://github.com/einverne/dockerfile/tree/master/gogs