{"id":84416,"date":"2020-06-07T13:42:50","date_gmt":"2020-06-07T11:42:50","guid":{"rendered":"https:\/\/prohoster.info\/blog\/administrirovanie\/formaty-fajlov-v-bolshih-dannyh-kratkij-likbez"},"modified":"2020-06-07T13:42:50","modified_gmt":"2020-06-07T11:42:50","slug":"formaty-fajlov-v-bolshih-dannyh-kratkij-likbez","status":"publish","type":"post","link":"https:\/\/prohoster.info\/sl\/blog\/administrirovanie\/formaty-fajlov-v-bolshih-dannyh-kratkij-likbez","title":{"rendered":"Formati datotek v velikih podatkih: kratek uvod","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"Formati
\nDeity Vremena od Remarina<\/i><\/a><\/noindex> <\/p>\n

Komanda Mail.ru Cloud Solutions<\/a><\/noindex> ponuja prevedi \u010dlanak<\/a><\/noindex> in\u017eenjera Rahula Bhatia iz kompanije Clairvoyant o tome koje postoje vrste datoteka u velikim podacima, koje su naj\u010de\u0161\u0107e funkcije Hadoop formata i koja vrsta je najbolja za kori\u0161\u0107enje.
\n<\/a><\/noindex><\/p>\n

Za\u0161to su potrebni razli\u010diti formati datoteka<\/h2>\n

\nSeriozni usko mesto u performansama aplikacija koje podr\u017eavaju HDFS, poput MapReduce i Spark \u2014 vreme pronala\u017eenja, \u010ditanja i pisanja podataka. Ovi problemi se pogor\u0161avaju te\u0161ko\u0107ama u upravljanju velikim skupovima podataka, kada nemamo fiksnu, ve\u0107 evoluiraju\u0107u shemu, ili postoje neka ograni\u010denja u skladi\u0161tenju.<\/p>\n

Obrada velikih podataka pove\u0107ava optere\u0107enje na skladi\u0161nom sistemu \u2014 Hadoop skladi\u0161ti podatke u vi\u0161ku radi postizanja otpornosti na gre\u0161ke. Pored diskova, optere\u0107enja su i procesor, mre\u017ea, sistem ulaza-izlaza i tako dalje. Kako se pove\u0107ava obim podataka, tako raste i cena njihovo obrade i skladi\u0161tenja.<\/p>\n

Razli\u010diti formati datoteka u Hadoop<\/a><\/noindex> smisleni su da re\u0161e upravo ove probleme. Odabir odgovaraju\u0107eg formata datoteka mo\u017ee doneti zna\u010dajne prednosti:<\/p>\n

    \n
  1. Br\u017ee vreme \u010ditanja.<\/li>\n
  2. Br\u017ee vreme pisanja.<\/li>\n
  3. Deljive datoteke.<\/li>\n
  4. Podr\u0161ka za evoluciju shema.<\/li>\n
  5. Pove\u0107ana podr\u0161ka za kompresiju.<\/li>\n<\/ol>\n

    \nNeki formati datoteka su namenjeni op\u0161toj upotrebi, drugi za specifi\u010dne varijante, a neki su razvijeni s obzirom na konkretne karakteristike podataka. Tako da je izbor zaista prili\u010dno veliki.<\/p>\n

    Format datoteka Avro<\/h2>\n

    \nZa serijalizacije podataka <\/i>\u0161iroko koristi Avro \u2014 to je format skladi\u0161tenja podataka koji se zasniva na redovima<\/i>, odnosno redovni, format skladista podataka u Hadoop-u. On skladi\u0161ti \u0161emu u JSON formatu, olak\u0161avaju\u0107i njeno \u010ditanje i interpretaciju svakoj aplikaciji. Sami podaci su u binarnom formatu, kompaktnom i efikasnom.<\/p>\n

    Sistem serijalizacije Avro je neutralan prema jeziku. Datoteke se mogu obraditi raznim jezicima, trenutno su to C, C++, C#, Java, Python i Ruby.<\/p>\n

    Klju\u010dna karakteristika Avro-a je pouzdana podr\u0161ka za sheme podataka koje se menjaju tokom vremena, odnosno evoluiraju. Avro razume promene sheme \u2014 brisanje, dodavanje ili modifikovanje polja.<\/p>\n

    Avro podr\u017eava razne strukture podataka. Na primer, mo\u017eete kreirati zapis koji sadr\u017ei niz, enumerisani tip i podzapis.<\/p>\n

    \"Formati
    \nTa oblika je idealna za zapis v pristajalno obmo\u010dje podatkovnega jezera (    podatkovno jezero<\/a><\/noindex>, ali data lake \u2014 zbirka instanc za shranjevanje razli\u010dnih vrst podatkov, poleg neposrednih virov podatkov). <\/p>\n

    Torej, za zapis v pristajalno obmo\u010dje podatkovnega jezera je ta oblika najbolj primerna iz naslednjih razlogov:<\/p>\n

      \n
    1. Podatki iz tega obmo\u010dja se obi\u010dajno berejo v celoti za nadaljnjo obdelavo s strani spodnjih sistemov \u2014 in oblika, ki temelji na vrsticah, je v tem primeru bolj u\u010dinkovita.<\/li>\n
    2. Spodnji sistemi lahko enostavno pridobivajo sheme tabel iz datotek \u2014 ni treba shranjevati shem lo\u010deno v zunanje meta-shrambe.<\/li>\n
    3. Vsaka sprememba izvorne sheme se enostavno obravnava (evolucija sheme).<\/li>\n<\/ol>\n

      <\/p>\n

      Datote\u010dna oblika Parquet<\/h2>\n

      \nParquet je odprtokodna datote\u010dna oblika za Hadoop, ki shranjuje vlo\u017eene strukture podatkov v ravnem stolp\u010dni obliki<\/i>.<\/p>\n

      V primerjavi s tradicionalnim vrsti\u010dnim pristopom je Parquet bolj u\u010dinkovit z vidika shranjevanja in delovanja.<\/p>\n

      To je \u0161e posebej uporabno za poizvedbe, ki berejo dolo\u010dene stolpce iz \u0161iroke (z mnogimi stolpci) tabele. Zaradi datote\u010dne oblike se berejo le potrebni stolpci, kar zmanj\u0161a vhodno-izhodne operacije.<\/p>\n

      Majhna odstopanja razlaga<\/strong>: da bi bolje razumeli datote\u010dno obliko Parquet v Hadoopu, si poglejmo, kaj pomeni stolp\u010dna oblika \u2014 torej stolp\u010dna \u2014 oblika. V tej obliki se skupaj shranjujejo enako tipizirane vrednosti vsakega stolpca. <\/p>\n

      Na primer<\/a><\/noindex>, zapis vklju\u010duje polja ID, Ime in Oddelek. V tem primeru bodo vse vrednosti stolpca ID shranjene skupaj, prav tako pa tudi vrednosti stolpca Ime in tako naprej. Tabela bo izgledala pribli\u017eno tako:<\/p>\n

      ID<\/strong>
      \nIme<\/strong>
      \nOddelek<\/strong><\/p>\n

      1
      \ndelavec1
      \nd1<\/p>\n

      2
      \ndelavec2
      \nd2<\/p>\n

      3
      \ndelavec3
      \nd3<\/p>\n

      \nV vrsti\u010dni obliki se bodo podatki shranili na naslednji na\u010din:<\/p>\n

      1
      \ndelavec1
      \nd1
      \n2
      \ndelavec2
      \nd2
      \n3
      \ndelavec3
      \nd3<\/p>\n

      \nV stolp\u010dni obliki se bodo isti podatki shranili tako:<\/p>\n

      1
      \n2
      \n3
      \ndelavec1
      \ndelavec2
      \ndelavec3
      \nd1
      \nd2
      \nd3<\/p>\n

      \nStolp\u010dna oblika je bolj u\u010dinkovita, kadar \u017eelite poizvedovati iz tabele ve\u010d stolpcev. Prebral bo le potrebne stolpce, ker so ti blizu skupaj. Tako se vhodno-izhodne operacije zmanj\u0161ajo na minimum.<\/p>\n

      Na primer, potrebujete le stolpec IME. V vrsti\u010dni obliki<\/a><\/noindex> Vsaka zapis v podatkovnem naboru je treba nalo\u017eiti, razdeliti na polja in nato izvle\u010di podatke NAME. Stolpci omogo\u010dajo neposredno prehod k stolpcu Name, saj so vse vrednosti za ta stolpec shranjene skupaj. Ni treba skenirati celotnega zapisa.<\/p>\n

      Tako stol\u010dni format pove\u010duje u\u010dinkovitost poizvedb, saj je za dostop do zahtevanih stolpcev potrebnega manj \u010dasa iskanja in se zmanj\u0161a \u0161tevilo vhodno-izhodnih operacij, saj se berejo le potrebni stolpci.<\/p>\n

      Ena od edinstvenih zna\u010dilnosti Parquet<\/a><\/noindex> je, da v tem formatu lahko hrani podatke z vdelanimi strukturami<\/i>. To pomeni, da je v Parquet datoteki mogo\u010de brati celo vdelana polja lo\u010deno, ne da bi bilo treba prebrati vsa polja v vdelani strukturi. Za shranjevanje vdelanih struktur Parquet uporablja algoritem drobljenja in sestavljanja.<\/p>\n

      \"Formati
      \nDa bi razumeli format datoteke Parquet v Hadoopu, je treba poznati naslednje izraze:<\/p>\n

        \n
      1. Skupina vrstic<\/strong> (row group): logi\u010dno horizontalno razdelitev podatkov na vrstice. Skupina vrstic se sestavlja iz fragmenta vsakega stolpca v podatkovnem naboru.<\/li>\n
      2. Fragment stolpca<\/strong> (column chunk): fragment dolo\u010denega stolpca. Ti fragmenti stolpcev \u017eivijo v dolo\u010deni skupini vrstic in so zagotovljeno sosednji v datoteki.<\/li>\n
      3. Stran<\/strong> (page): fragmenti stolpcev so razdeljeni na strani, zapisane ena za drugo. Strani imajo skupno glavo, tako da lahko pri branju presko\u010dite nepotrebne.<\/li>\n<\/ol>\n

        \n\"Formati
        \nTukaj glava preprosto vsebuje \u010darobno \u0161tevilo PAR1<\/i> (4 bajti), ki identificira datoteko kot datoteko v formatu Parquet.<\/p>\n

        V nogi je zapisano naslednje:<\/p>\n

          \n
        1. Metapodatki datoteke, ki vsebujejo za\u010detne koordinate metapodatkov vsakega stolpca. Pri branju je najprej treba prebrati metapodatke datoteke, da najdete vse zanimive fragmente stolpcev. Nato je treba fragmente stolpcev brati zaporedoma. Poleg tega metapodatki vklju\u010dujejo razli\u010dico formata, shemo in vse dodatne pare klju\u010d-vrednost.<\/li>\n
        2. Dol\u017eina metapodatkov (4 bajti).<\/li>\n
        3. \u010carobno \u0161tevilo PAR1<\/i> (4 bajti).<\/li>\n<\/ol>\n

          <\/p>\n

          Format datotek ORC<\/h2>\n

          \nOptimizirana vrsti\u010dno-stolp\u010dna oblika datotek<\/i> (Optimized Row Columnar, ORC<\/a><\/noindex>) ponuja zelo u\u010dinkovit na\u010din shranjevanja podatkov in je bil zasnovan za premagovanje omejitev drugih formatov. Shranjuje podatke v popolnoma kompaktni obliki, kar omogo\u010da izpu\u0161\u010danje nepotrebnih podrobnosti \u2014 pri tem ne zahteva gradnje velikih, zapletenih ali ro\u010dno vzdr\u017eevanih indeksov. <\/p>\n

          Prednosti formata ORC:<\/p>\n

            \n
          1. En datotek na izhodu vsake naloge, kar zmanj\u0161uje obremenitev NameNode (vozli\u0161\u010da imen).<\/li>\n
          2. Podpora za Hive tipe podatkov, vklju\u010dno z DateTime, decimalnimi in zapletenimi tipi podatkov (struct, list, map in union).<\/li>\n
          3. Hkratno branje iste datoteke z razli\u010dnimi procesi RecordReader.<\/li>\n
          4. Mo\u017enost delitve datotek brez skeniranja za iskanje oznak.<\/li>\n
          5. Ocena najve\u010dje mo\u017ene dodelitve pomnilnika kupu za procese branja\/pisanja na podlagi informacij v nogi datoteke.<\/li>\n
          6. Metapodatki se shranjujejo v binarni obliki serializacije Protocol Buffers, kar omogo\u010da dodajanje in odstranjevanje polj.<\/li>\n<\/ol>\n

            \n\"Formati
            \nORC shranjuje zbirke nizov v eni datoteki, medtem ko se znotraj zbirke nizni podatki shranjujejo v stolpcih.<\/p>\n

            Datoteka ORC shranjuje skupine nizov, imenovanih stripe, in pomo\u017ena informacije v nogi datoteke. Postscript na koncu datoteke vsebuje parametre stiskanja in velikost stisnjene noge.<\/p>\n

            Privzeta velikost stripa je 250 MB. Zaradi stripov te velikosti je branje iz HDFS bolj u\u010dinkovito: v velikih neprekinjenih blokih.<\/p>\n

            V nogi datoteke je zapisan seznam stripa v datoteki, \u0161tevilo nizov na stripe in tip podatkov vsakega stolpca. Tam so tudi zapisani rezultati count, min, max in sum za vsak stolpec.<\/p>\n

            Noga stripa vsebuje katalog lokacij toka.<\/p>\n

            Nizni podatki se uporabljajo pri skeniranju tabel.<\/p>\n

            Indeksni podatki vklju\u010dujejo najmanj\u0161e in najve\u010dje vrednosti za vsak stolpec ter pozicije nizov v vsakem stolpcu. Indeksi ORC se uporabljajo samo za izbiro stripa in skupin nizov, ne pa za odgovarjanje na poizvedbe.<\/p>\n

            Primerjava razli\u010dnih formatov datotek<\/h2>\n

            <\/p>\n

            Avro v primerjavi s Parquet<\/h3>\n

            <\/p>\n

              \n
            1. Avro je format shranjevanja po nizih, medtem ko Parquet shranjuje podatke po stolpcih.<\/li>\n
            2. Parquet je bolje prilagojen za analiti\u010dne poizvedbe, torej so operacije branja in poizvedbe podatkov veliko bolj u\u010dinkovite kot pisanje.<\/li>\n
            3. Operacije pisanja v Avro se izvajajo bolj u\u010dinkovito kot v Parquet.<\/li>\n
            4. Avro deluje zreleje z evolucijo shem. Parquet podpira le dodajanje sheme, medtem ko Avro omogo\u010da ve\u010dnamensko evolucijo, kar pomeni dodajanje ali spreminjanje stolpcev.<\/li>\n
            5. Parquet je idealen za poizvedbe po podmno\u017eicah stolpcev v ve\u010dstolpcni tabeli. Avro pa je primeren za ETL operacije, kjer zahtevamo vse stolpce.<\/li>\n<\/ol>\n

              <\/p>\n

              ORC v primerjavi s Parquet<\/h3>\n

              <\/p>\n

                \n
              1. Parquet bolje shranjuje vdelane podatke.<\/li>\n
              2. ORC je bolje prilagojen za potiskanje predikatov (predicate pushdown).<\/li>\n
              3. ORC podpira lastnosti ACID.<\/li>\n
              4. ORC bolj\u0161e stisne podatke.<\/li>\n<\/ol>\n

                \nKaj \u0161e prebrati o temi<\/strong>:<\/p>\n

                  \n
                1. Analiza velikih podatkov v oblaku: kako postati podjetje, usmerjeno v podatke<\/a><\/noindex>.<\/li>\n
                2. Skrbno vodilo po shemah baz podatkov<\/a><\/noindex>.<\/li>\n
                3. Na\u0161 Telegram kanal o digitalni transformaciji<\/a><\/noindex>. \n<\/li>\n<\/ol>\n

                  Izvor: habr.com<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"

                  Weather Deity by Remarin \u041a\u043e\u043c\u0430\u043d\u0434\u0430 Mail.ru Cloud Solutions \u043f\u0440\u0435\u0434\u043b\u0430\u0433\u0430\u0435\u0442 \u043f\u0435\u0440\u0435\u0432\u043e\u0434 \u0441\u0442\u0430\u0442\u044c\u0438 \u0438\u043d\u0436\u0435\u043d\u0435\u0440\u0430 \u0420\u0430\u0445\u0443\u043b\u0430 \u0411\u0445\u0430\u0442\u0438\u0438 \u0438\u0437 \u043a\u043e\u043c\u043f\u0430\u043d\u0438\u0438 Clairvoyant \u043e \u0442\u043e\u043c, \u043a\u0430\u043a\u0438\u0435 \u0435\u0441\u0442\u044c \u0444\u043e\u0440\u043c\u0430\u0442\u044b \u0444\u0430\u0439\u043b\u043e\u0432 \u0432 \u0431\u043e\u043b\u044c\u0448\u0438\u0445 \u0434\u0430\u043d\u043d\u044b\u0445, \u043a\u0430\u043a\u0438\u0435 \u0441\u0430\u043c\u044b\u0435 \u0440\u0430\u0441\u043f\u0440\u043e\u0441\u0442\u0440\u0430\u043d\u0435\u043d\u043d\u044b\u0435 \u0444\u0443\u043d\u043a\u0446\u0438\u0438 \u0444\u043e\u0440\u043c\u0430\u0442\u043e\u0432 Hadoop \u0438 \u043a\u0430\u043a\u043e\u0439 \u0444\u043e\u0440\u043c\u0430\u0442 \u043b\u0443\u0447\u0448\u0435 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c. \u0417\u0430\u0447\u0435\u043c \u043d\u0443\u0436\u043d\u044b \u0440\u0430\u0437\u043d\u044b\u0435 \u0444\u043e\u0440\u043c\u0430\u0442\u044b \u0444\u0430\u0439\u043b\u043e\u0432 \u0421\u0435\u0440\u044c\u0435\u0437\u043d\u043e\u0435 \u0443\u0437\u043a\u043e\u0435 \u043c\u0435\u0441\u0442\u043e \u0432 \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u0434\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u0438 \u043f\u0440\u0438\u043b\u043e\u0436\u0435\u043d\u0438\u0439 \u0441 \u043f\u043e\u0434\u0434\u0435\u0440\u0436\u043a\u043e\u0439 HDFS, \u0442\u0430\u043a\u0438\u0445 \u043a\u0430\u043a MapReduce \u0438 […]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":84417,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[688],"tags":[],"class_list":["post-84416","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-administrirovanie"],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t\n\t\n\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\n","aioseo_head_json":{"title":"\ud83e\udd47Formati datotek v velikih podatkih: kratek vodi\u010d | ProHoster","description":"","canonical_url":"https:\/\/prohoster.info\/sl\/blog\/administrirovanie\/formaty-fajlov-v-bolshih-dannyh-kratkij-likbez","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"sl_SI","og:site_name":"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b","og:type":"article","og:title":"\ud83e\udd47\u0424\u043e\u0440\u043c\u0430\u0442\u044b \u0444\u0430\u0439\u043b\u043e\u0432 \u0432 \u0431\u043e\u043b\u044c\u0448\u0438\u0445 \u0434\u0430\u043d\u043d\u044b\u0445: \u043a\u0440\u0430\u0442\u043a\u0438\u0439 \u043b\u0438\u043a\u0431\u0435\u0437 | ProHoster","og:url":"https:\/\/prohoster.info\/sl\/blog\/administrirovanie\/formaty-fajlov-v-bolshih-dannyh-kratkij-likbez","og:image":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:secure_url":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:width":350,"og:image:height":350,"article:published_time":"2020-06-07T11:42:50+00:00","article:modified_time":"2020-06-07T11:42:50+00:00","article:publisher":"https:\/\/www.facebook.com\/prohoster","article:author":"https:\/\/www.facebook.com\/prohoster"},"aioseo_meta_data":{"post_id":"84416","title":null,"description":null,"keywords":null,"keyphrases":null,"primary_term":null,"canonical_url":null,"og_title":null,"og_description":null,"og_object_type":"default","og_image_type":"default","og_image_url":null,"og_image_width":null,"og_image_height":null,"og_image_custom_url":null,"og_image_custom_fields":null,"og_video":null,"og_custom_url":null,"og_article_section":null,"og_article_tags":null,"twitter_use_og":false,"twitter_card":"default","twitter_image_type":"default","twitter_image_url":null,"twitter_image_custom_url":null,"twitter_image_custom_fields":null,"twitter_title":null,"twitter_description":null,"schema":{"blockGraphs":[],"customGraphs":[],"default":{"data":{"Article":[],"Course":[],"Dataset":[],"FAQPage":[],"Movie":[],"Person":[],"Product":[],"ProductReview":[],"Car":[],"Recipe":[],"Service":[],"SoftwareApplication":[],"WebPage":[]},"graphName":"","isEnabled":true},"graphs":[]},"schema_type":null,"schema_type_options":null,"pillar_content":false,"robots_default":true,"robots_noindex":false,"robots_noarchive":false,"robots_nosnippet":false,"robots_nofollow":false,"robots_noimageindex":false,"robots_noodp":false,"robots_notranslate":false,"robots_max_snippet":null,"robots_max_videopreview":null,"robots_max_imagepreview":"large","priority":null,"frequency":null,"local_seo":null,"seo_analyzer_scan_date":null,"breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"ai":null,"created":"2021-02-28 14:58:40","updated":"2022-09-28 08:24:46","focus_keyword":null,"additional_keywords":null,"truseo_locale":null},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/sl\/wp-json\/wp\/v2\/posts\/84416","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/sl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/sl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/sl\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/sl\/wp-json\/wp\/v2\/comments?post=84416"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/sl\/wp-json\/wp\/v2\/posts\/84416\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/prohoster.info\/sl\/wp-json\/wp\/v2\/media\/84417"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/sl\/wp-json\/wp\/v2\/media?parent=84416"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/sl\/wp-json\/wp\/v2\/categories?post=84416"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/sl\/wp-json\/wp\/v2\/tags?post=84416"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}