{"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\/sv\/blog\/administrirovanie\/formaty-fajlov-v-bolshih-dannyh-kratkij-likbez","title":{"rendered":"Filformat i stora data: en kort introduktion","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"Filformat
\nWeather Deity by Remarin<\/i><\/a><\/noindex> <\/p>\n

Team Mail.ru Cloud Solutions<\/a><\/noindex> erbjuder \u00f6vers\u00e4ttningen av artikeln<\/a><\/noindex> Ingenj\u00f6r Rahul Bhattia fr\u00e5n f\u00f6retaget Clairvoyant diskuterar vilka filformat som finns inom stora data, vilka funktioner av Hadoop-format som \u00e4r vanligast och vilket format som \u00e4r b\u00e4st att anv\u00e4nda.
\n<\/a><\/noindex><\/p>\n

Varf\u00f6r olika filformat beh\u00f6vs<\/h2>\n

\nEn allvarlig flaskhals i prestandan hos applikationer som st\u00f6der HDFS, s\u00e5som MapReduce och Spark, \u00e4r tiden f\u00f6r att s\u00f6ka, l\u00e4sa och skriva data. Dessa problem f\u00f6rv\u00e4rras av sv\u00e5righeterna att hantera stora datam\u00e4ngder om vi har ett icke-fixerat, utan ett utvecklande schema, eller om det finns vissa lagringsbegr\u00e4nsningar.<\/p>\n

Bearbetning av stora data \u00f6kar belastningen p\u00e5 lagersystemet \u2013 Hadoop lagrar data redundant f\u00f6r att s\u00e4kerst\u00e4lla drifts\u00e4kerhet. F\u00f6rutom diskarna belastas \u00e4ven CPU, n\u00e4tverk, in- och utg\u00e5ngssystem med mera. I takt med att datavolymen \u00f6kar, \u00f6kar ocks\u00e5 kostnaderna f\u00f6r bearbetning och lagring.<\/p>\n

Olika filformat i Hadoop<\/a><\/noindex> \u00e4r utformade f\u00f6r att l\u00f6sa dessa problem. Att v\u00e4lja r\u00e4tt filformat kan ge n\u00e5gra betydande f\u00f6rdelar:<\/p>\n

    \n
  1. Snabbare l\u00e4stid.<\/li>\n
  2. Snabbare skrivtid.<\/li>\n
  3. Delade filer.<\/li>\n
  4. St\u00f6d f\u00f6r schemabed\u00f6mning.<\/li>\n
  5. Ut\u00f6kad st\u00f6d f\u00f6r komprimering.<\/li>\n<\/ol>\n

    \nVissa filformat \u00e4r avsedda f\u00f6r allm\u00e4nt bruk, medan andra \u00e4r f\u00f6r mer specifika fall, och vissa \u00e4r designade med tanke p\u00e5 specifika datakarakteristika. Valet \u00e4r allts\u00e5 ganska stort.<\/p>\n

    Avro-filformatet<\/h2>\n

    \nF\u00f6r f\u00f6r dataserialisering <\/i>anv\u00e4nds brett inom Avro \u2013 det \u00e4r en radbaserad<\/i>eller str\u00e4ngbaserad lagringsformat i Hadoop. Det lagrar schemat i JSON-format, vilket underl\u00e4ttar f\u00f6r att l\u00e4sa och tolka av vilket program som helst. Sj\u00e4lva datan lagras i ett bin\u00e4rt format, kompakt och effektivt.<\/p>\n

    Avros serialiseringssystem \u00e4r spr\u00e5kneutralt. Filer kan hanteras med flera olika spr\u00e5k, f\u00f6r n\u00e4rvarande C, C++, C#, Java, Python och Ruby.<\/p>\n

    En nyckelfunktion hos Avro \u00e4r den robusta st\u00f6det f\u00f6r dataskematisering, som f\u00f6r\u00e4ndras \u00f6ver tid, det vill s\u00e4ga utvecklas. Avro f\u00f6rst\u00e5r schema\u00e4ndringar \u2013 borttagning, till\u00e4gg eller \u00e4ndring av f\u00e4lt.<\/p>\n

    Avro st\u00f6der en m\u00e4ngd olika datastrukturer. Till exempel kan man skapa en post som inneh\u00e5ller en array, en uppr\u00e4kningsbar typ och en underskrivning.<\/p>\n

    \"Filformat
    \nDet h\u00e4r formatet \u00e4r perfekt f\u00f6r att spela in i landningszonen f\u00f6r datalake (    datalake<\/a><\/noindex>, eller data lake \u2014 en samling instanser f\u00f6r lagring av olika datatyper ut\u00f6ver sj\u00e4lva datak\u00e4llorna). <\/p>\n

    S\u00e5, f\u00f6r inspelning i landningszonen f\u00f6r datalake \u00e4r detta format b\u00e4st av f\u00f6ljande sk\u00e4l:<\/p>\n

      \n
    1. Data fr\u00e5n detta omr\u00e5de l\u00e4ses vanligtvis i sin helhet f\u00f6r vidare bearbetning av underliggande system \u2014 och string-baserade format \u00e4r mer effektiva i detta fall.<\/li>\n
    2. Underliggande system kan enkelt extrahera schemas fr\u00e5n filer \u2014 det beh\u00f6vs ingen separat lagring av scheman i ett externt metadatalager.<\/li>\n
    3. Eventuella f\u00f6r\u00e4ndringar av den ursprungliga schemat hanteras enkelt (schemaevolution).<\/li>\n<\/ol>\n

      <\/p>\n

      Parquet-filformatet<\/h2>\n

      \nParquet \u00e4r ett \u00f6ppet filformat f\u00f6r Hadoop som lagrar inb\u00e4ddade datastukturer i ett platt kolumnformat.<\/i>.<\/p>\n

      J\u00e4mf\u00f6rt med det traditionella radbaserade tillv\u00e4gag\u00e5ngss\u00e4ttet \u00e4r Parquet mer effektivt avseende lagring och prestanda.<\/p>\n

      Detta \u00e4r s\u00e4rskilt anv\u00e4ndbart f\u00f6r fr\u00e5gor som l\u00e4ser specifika kolumner fr\u00e5n en bred (med m\u00e5nga kolumner) tabell. Tack vare filformatet l\u00e4ses endast de n\u00f6dv\u00e4ndiga kolumnerna, vilket minimerar in- och utdata.<\/p>\n

      Ett litet avsnitt-f\u00f6rklaring<\/strong>: f\u00f6r att b\u00e4ttre f\u00f6rst\u00e5 Parquet-filformatet i Hadoop, l\u00e5t oss titta p\u00e5 vad som menas med kolumnbaserat \u2014 det vill s\u00e4ga kolumnformat. I ett s\u00e5dant format lagras liknande v\u00e4rden f\u00f6r varje kolumn tillsammans. <\/p>\n

      Till exempel<\/a><\/noindex>, raden inkluderar f\u00e4lten ID, Name och Department. I detta fall kommer alla v\u00e4rden f\u00f6r kolumnen ID att lagras tillsammans, likas\u00e5 v\u00e4rdena f\u00f6r kolumnen Name och s\u00e5 vidare. Tabellen kommer att se ut ungef\u00e4r s\u00e5 h\u00e4r:<\/p>\n

      ID<\/strong>
      \nNamn<\/strong>
      \nDepartment<\/strong><\/p>\n

      1
      \nemp1
      \nd1<\/p>\n

      2
      \nemp2
      \nd2<\/p>\n

      3
      \nemp3
      \nd3<\/p>\n

      \nI radformat kommer data att sparas p\u00e5 f\u00f6ljande s\u00e4tt:<\/p>\n

      1
      \nemp1
      \nd1
      \n2
      \nemp2
      \nd2
      \n3
      \nemp3
      \nd3<\/p>\n

      \nI kolumnformat lagras samma data s\u00e5 h\u00e4r:<\/p>\n

      1
      \n2
      \n3
      \nemp1
      \nemp2
      \nemp3
      \nd1
      \nd2
      \nd3<\/p>\n

      \nKolumnformat \u00e4r mer effektivt n\u00e4r du beh\u00f6ver fr\u00e5ga flera kolumner fr\u00e5n tabellen. Det l\u00e4ser endast de n\u00f6dv\u00e4ndiga kolumnerna eftersom de ligger n\u00e4ra varandra. Detta minimerar in- och utdata operationer.<\/p>\n

      Till exempel, om du bara beh\u00f6ver kolumnen NAME. I radformat<\/a><\/noindex> Varje post i datam\u00e4ngden m\u00e5ste laddas, delas upp i f\u00e4lt och sedan extraheras data NAME. Kolumnformatet g\u00f6r det m\u00f6jligt att g\u00e5 direkt till kolumnen Namn, eftersom alla v\u00e4rden f\u00f6r denna kolumn lagras tillsammans. Det blir inte n\u00f6dv\u00e4ndigt att skanna hela posten.<\/p>\n

      Det betyder att kolumnformatet \u00f6kar prestandan f\u00f6r fr\u00e5gorna, eftersom mindre tid kr\u00e4vs f\u00f6r att hitta de n\u00f6dv\u00e4ndiga kolumnerna och antalet in- och utoperationer minskar, d\u00e5 endast de n\u00f6dv\u00e4ndiga kolumnerna l\u00e4ses.<\/p>\n

      En av de unika egenskaperna Parquet<\/a><\/noindex> \u00e4r att det i detta format kan lagra data med inb\u00e4ddade strukturer.<\/i>Det betyder att i en Parquet-fil kan \u00e4ven inb\u00e4ddade f\u00e4lt l\u00e4sas separat utan att beh\u00f6va l\u00e4sa alla f\u00e4lt i den inb\u00e4ddade strukturen. F\u00f6r att lagra inb\u00e4ddade strukturer anv\u00e4nder Parquet algoritmen shredding and assembly.<\/p>\n

      \"Filformat
      \nF\u00f6r att f\u00f6rst\u00e5 Parquet-filformatet i Hadoop m\u00e5ste man k\u00e4nna till f\u00f6ljande termer:<\/p>\n

        \n
      1. Radgrupp<\/strong> (row group): en logisk horisontell indelning av data i rader. Radgruppen best\u00e5r av ett fragment av varje kolumn i datam\u00e4ngden.<\/li>\n
      2. Kolumnfragment<\/strong> (column chunk): ett fragment av en specifik kolumn. Dessa kolumnfragment finns inom en viss radgrupp och kommer garanterat att vara sammanh\u00e4ngande i filen.<\/li>\n
      3. Sida<\/strong> (page): kolumnfragment delas upp i sidor, som skrivs efter varandra. Sidor har en gemensam header, s\u00e5 att man kan hoppa \u00f6ver on\u00f6diga vid l\u00e4sning.<\/li>\n<\/ol>\n

        \n\"Filformat
        \nH\u00e4r inneh\u00e5ller headern helt enkelt ett magiskt nummer PAR1<\/i> (4 byte) som identifierar filen som en Parquet-fil.<\/p>\n

        I foten st\u00e5r f\u00f6ljande:<\/p>\n

          \n
        1. Metadatan f\u00f6r filen som inneh\u00e5ller startkoordinaterna f\u00f6r metadata i varje kolumn. Vid l\u00e4sning m\u00e5ste man f\u00f6rst l\u00e4sa filens metadata f\u00f6r att hitta alla intressanta kolumnfragment. D\u00e4refter ska kolumnfragmenten l\u00e4sas sekventiellt. Ytterligare metadata inkluderar formatversion, schema och eventuella ytterligare nyckel-v\u00e4rde-par.<\/li>\n
        2. L\u00e4ngden p\u00e5 metadatan (4 byte).<\/li>\n
        3. Det magiska numret PAR1<\/i> (4 byte).<\/li>\n<\/ol>\n

          <\/p>\n

          Filformatet ORC<\/h2>\n

          \nOptimerat rad- och kolumnformat f\u00f6r filer<\/i> (Optimized Row Columnar, ORC<\/a><\/noindex>) erbjuder en mycket effektiv metod f\u00f6r datalagring och har utvecklats f\u00f6r att \u00f6vervinna begr\u00e4nsningarna i andra format. Lagrar data i en perfekt kompakt form, vilket g\u00f6r det m\u00f6jligt att hoppa \u00f6ver on\u00f6diga detaljer \u2014 vilket samtidigt inte kr\u00e4ver att stora, komplicerade eller manuellt underh\u00e5llna index byggs. <\/p>\n

          F\u00f6rdelarna med ORC-formatet:<\/p>\n

            \n
          1. En fil per utg\u00e5ng av varje jobb, vilket minskar belastningen p\u00e5 NameNode.<\/li>\n
          2. St\u00f6d f\u00f6r Hive-datatypen, inklusive DateTime, decimaler och komplexa datatyper (struct, list, map och union).<\/li>\n
          3. Samtidig l\u00e4sning av samma fil av olika RecordReader-processer.<\/li>\n
          4. M\u00f6jlighet att dela filer utan att skanna efter mark\u00f6rer.<\/li>\n
          5. Utv\u00e4rdering av den maximalt m\u00f6jliga heap-minnesallokeringen f\u00f6r l\u00e4s-\/skrivprocesser baserat p\u00e5 information i filens footer.<\/li>\n
          6. Metadata sparas i ett bin\u00e4rt format f\u00f6r serialisering med Protocol Buffers, vilket g\u00f6r det m\u00f6jligt att l\u00e4gga till och ta bort f\u00e4lt.<\/li>\n<\/ol>\n

            \n\"Filformat
            \nORC lagrar samlingar av rader i en fil, och inom en samling lagras raddata i kolumnformat.<\/p>\n

            ORC-filen lagrar grupper av rader som kallas stripes och hj\u00e4lpinformation i filens footer. Postscript i slutet av filen inneh\u00e5ller komprimeringsparametrar och storleken p\u00e5 den komprimerade footern.<\/p>\n

            Som standard \u00e4r storleken p\u00e5 en stripe 250 MB. Med stripes av den storleken utf\u00f6rs l\u00e4sning fr\u00e5n HDFS mer effektivt: i stora, kontinuerliga block.<\/p>\n

            I filens footer registreras en lista \u00f6ver stripes i filen, antalet rader per stripe och datatypen f\u00f6r varje kolumn. D\u00e4r registreras ocks\u00e5 de resulterande v\u00e4rdena count, min, max och sum f\u00f6r varje kolumn.<\/p>\n

            Footern f\u00f6r stripes inneh\u00e5ller en katalog \u00f6ver fl\u00f6denas placeringar.<\/p>\n

            Raddata anv\u00e4nds vid skanning av tabeller.<\/p>\n

            Indexdata inkluderar minimala och maximala v\u00e4rden f\u00f6r varje kolumn samt positionerna f\u00f6r rader i varje kolumn. ORC-index anv\u00e4nds endast f\u00f6r att v\u00e4lja stripes och grupper av rader, inte f\u00f6r att besvara f\u00f6rfr\u00e5gningar.<\/p>\n

            J\u00e4mf\u00f6relse av olika filformat<\/h2>\n

            <\/p>\n

            Avro j\u00e4mf\u00f6rt med Parquet<\/h3>\n

            <\/p>\n

              \n
            1. Avro \u00e4r ett rad-baserat lagringsformat, medan Parquet lagrar data kolumnvis.<\/li>\n
            2. Parquet \u00e4r b\u00e4ttre l\u00e4mpad f\u00f6r analytiska f\u00f6rfr\u00e5gningar, det vill s\u00e4ga att l\u00e4s- och datafr\u00e5geoperationer \u00e4r mycket mer effektiva \u00e4n skrivningar.<\/li>\n
            3. Skrivaroperationer i Avro utf\u00f6rs mer effektivt \u00e4n i Parquet.<\/li>\n
            4. Avro fungerar mer moget med schemors evolution. Parquet st\u00f6der endast till\u00e4gg av schema, medan Avro implementerar multifunktionell evolution, det vill s\u00e4ga till\u00e4gg eller \u00e4ndring av kolumner.<\/li>\n
            5. Parquet \u00e4r perfekt f\u00f6r att fr\u00e5ga efter en delm\u00e4ngd av kolumner i en flerkolumnstabell. Avro \u00e4r l\u00e4mplig f\u00f6r ETL-operationer d\u00e4r vi vill fr\u00e5ga efter alla kolumner.<\/li>\n<\/ol>\n

              <\/p>\n

              ORC j\u00e4mf\u00f6rt med Parquet<\/h3>\n

              <\/p>\n

                \n
              1. Parquet lagrar inb\u00e4ddade data b\u00e4ttre.<\/li>\n
              2. ORC \u00e4r b\u00e4ttre anpassat f\u00f6r predicates pushdown.<\/li>\n
              3. ORC st\u00f6der ACID-egenskaper.<\/li>\n
              4. ORC komprimerar data b\u00e4ttre.<\/li>\n<\/ol>\n

                \nVad mer att l\u00e4sa om \u00e4mnet<\/strong>:<\/p>\n

                  \n
                1. Analys av stora data i molnet: hur f\u00f6retag blir datadrivna<\/a><\/noindex>.<\/li>\n
                2. En \u00f6dmjuk guide till databas-scheman<\/a><\/noindex>.<\/li>\n
                3. V\u00e5r Telegram-kanal om digital transformation<\/a><\/noindex>. \n<\/li>\n<\/ol>\n

                  K\u00e4lla: 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\udd47Filformat i stora data: en kort introduktion | ProHoster","description":"","canonical_url":"https:\/\/prohoster.info\/sv\/blog\/administrirovanie\/formaty-fajlov-v-bolshih-dannyh-kratkij-likbez","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"sv_SE","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\/sv\/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\/sv\/wp-json\/wp\/v2\/posts\/84416","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/comments?post=84416"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/posts\/84416\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/media\/84417"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/media?parent=84416"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/categories?post=84416"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/sv\/wp-json\/wp\/v2\/tags?post=84416"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}