{"id":26319,"date":"2024-10-28T00:20:47","date_gmt":"2024-10-28T00:20:47","guid":{"rendered":"https:\/\/www.petroleumtube.com\/?p=26319"},"modified":"2024-10-28T02:25:30","modified_gmt":"2024-10-28T02:25:30","slug":"spark-the-special-enticing-oil-casing","status":"publish","type":"post","link":"https:\/\/www.petroleumtube.com\/it\/spark-the-special-enticing-oil-casing\/","title":{"rendered":"Scintilla lo speciale! Incantevole involucro dell&#039;olio da scoprire."},"content":{"rendered":"<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_63 counter-hierarchy ez-toc-counter ez-toc-light-blue ez-toc-container-direction\">\n<div class=\"ez-toc-title-container\">\n<p class=\"ez-toc-title \" >Table of Contents<\/p>\n<span class=\"ez-toc-title-toggle\"><a href=\"#\" class=\"ez-toc-pull-right ez-toc-btn ez-toc-btn-xs ez-toc-btn-default ez-toc-toggle\" aria-label=\"Toggle Table of Content\"><span class=\"ez-toc-js-icon-con\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Toggle<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #999;color:#999\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewBox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #999;color:#999\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewBox=\"0 0 24 24\" version=\"1.2\" baseProfile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/span><\/a><\/span><\/div>\n<nav><ul class='ez-toc-list ez-toc-list-level-1 ' ><li class='ez-toc-page-1 ez-toc-heading-level-1'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/www.petroleumtube.com\/it\/spark-the-special-enticing-oil-casing\/#Sparking_innovation_esplorazione_delle_ultime_funzionalita_di_Apache_Spark\" title=\"Sparking innovation: esplorazione delle ultime funzionalit\u00e0 di Apache Spark\">Sparking innovation: esplorazione delle ultime funzionalit\u00e0 di Apache Spark<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/www.petroleumtube.com\/it\/spark-the-special-enticing-oil-casing\/#Scatenare_la_potenza_di_Spark_suggerimenti_e_trucchi_per_unelaborazione_efficiente_dei_dati\" title=\"Scatenare la potenza di Spark: suggerimenti e trucchi per un&#8217;elaborazione efficiente dei dati\">Scatenare la potenza di Spark: suggerimenti e trucchi per un&#8217;elaborazione efficiente dei dati<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/www.petroleumtube.com\/it\/spark-the-special-enticing-oil-casing\/#Immergersi_profondamente_nellecosistema_di_Spark_una_guida_completa_ai_componenti_Spark\" title=\"Immergersi profondamente nell&#8217;ecosistema di Spark: una guida completa ai componenti Spark\">Immergersi profondamente nell&#8217;ecosistema di Spark: una guida completa ai componenti Spark<\/a><\/li><\/ul><\/nav><\/div>\n<h1 id=\"sparking-innovation-exploring-the-latest-features-of-apache-spark-wpaicgheading\"><span class=\"ez-toc-section\" id=\"Sparking_innovation_esplorazione_delle_ultime_funzionalita_di_Apache_Spark\"><\/span>Sparking <a href=\"\/tag\/innovation\" target=\"_blank\"><strong>innovation<\/strong><\/a>: esplorazione delle ultime funzionalit\u00e0 di Apache Spark<span class=\"ez-toc-section-end\"><\/span><\/h1>\n<p>\nApache Spark \u00e8 emerso come un potente strumento nel campo dell&#8217;elaborazione dei <a href=\"\/tag\/big\" target=\"_blank\"><strong>big<\/strong><\/a> data, rivoluzionando il modo in cui i dati vengono gestiti e analizzati. Con le sue capacit\u00e0 di elaborazione r<a href=\"\/tag\/api\" target=\"_blank\"><strong><strong>\u00a0API<\/strong><\/strong><\/a>dissime e le sue funzionalit\u00e0 versatili, Spark \u00e8 diventata la scelta ideale <a href=\"\/tag\/per\" target=\"_blank\"><strong>per<\/strong><\/a> le organizzazioni che desiderano estrarre informazioni preziose da enormi set di dati. In questo articolo approfondiamo le funzionalit\u00e0 pi\u00f9 recenti di Apache Spark che stanno stimolando l&#8217;innovazione e trasformando il panorama dell&#8217;elaborazione dei dati.<\/p>\n<p>Una delle caratteristiche pi\u00f9 <a href=\"\/tag\/important\" target=\"_blank\"><strong><a href=\"\/tag\/import\" target=\"_blank\"><strong>import<\/strong><\/a>ant<\/strong><\/a>i di Apache Spark \u00e8 la sua capacit\u00e0 di gestire con facilit\u00e0 attivit\u00e0 complesse di elaborazione dei dati. La capacit\u00e0 di elaborazione in memoria di Spark gli consente di eseguire calcoli alla velocit\u00e0 della luce, rendendolo ideale per applicazioni che richiedono elaborazione dei dati in tempo <a href=\"\/tag\/real\" target=\"_blank\"><strong>real<\/strong><\/a>e. Sfruttando la potenza del calcolo distribuito, Spark pu\u00f2 elabo<a href=\"\/tag\/rare\" target=\"_blank\"><strong>rare<\/strong><\/a> in modo efficiente grandi volumi di dati su un cluster di macchine, consentendo alle organizzazioni di affrontare con facilit\u00e0 le sfide legate ai big data.<\/p>\n<p>Un&#8217;altra caratteristica chiave di Apache Spark \u00e8 il supporto per pi\u00f9 linguaggi di programmazione, incluso Java , Scala e Python. Questa flessibilit\u00e0 consente agli sviluppatori di lavorare con Spark utilizzando il linguaggio di programmazione preferito, semplificando l&#8217;integrazione di Spark nei flussi di lavoro e nelle applicazioni esistenti. Inoltre, il ricco set di API e librerie di Spark fornisce agli sviluppatori gli strumenti di cui hanno b<a href=\"\/tag\/iso\" target=\"_blank\"><strong>iso<\/strong><\/a>gno per creare sofisticate <a href=\"\/tag\/pipeline\" target=\"_blank\"><strong><a href=\"\/tag\/pipe\" target=\"_blank\"><strong><strong> Pipe<\/strong><\/strong><\/a><a href=\"\/tag\/line\" target=\"_blank\"><strong>line<\/strong><\/a><\/strong><\/a> di elaborazione dati e modelli di machine <a href=\"\/tag\/learn\" target=\"_blank\"><strong>learn<\/strong><\/a>ing.<\/p>\n<p>Il supporto integrato di Spark per l&#8217;elaborazione dei dati in streaming \u00e8 un&#8217;altra caratteristica che lo distingue dai tradizionali framework di elaborazione dati . Con Spark Streaming, le organizzazioni possono elaborare e analizzare flussi di dati in tempo reale con bassa latenza, consentendo loro di prendere <a href=\"\/tag\/decision\" target=\"_blank\"><strong>decision<\/strong><\/a>i tempestive sulla base di informazioni aggiornate. Questa capacit\u00e0 di elaborazione in tempo reale \u00e8 fondamentale per applicazioni quali il rile<a href=\"\/tag\/vam\" target=\"_blank\"><strong>vam<\/strong><\/a>ento delle frodi, l&#8217;elaborazione dei dati IoT e i sistemi di <a href=\"\/tag\/monitor\" target=\"_blank\"><strong>monitor<\/strong><\/a>aggio.<\/p>\n<p>Oltre alle sue funzionalit\u00e0 principali, Apache Spark continua a <a href=\"\/tag\/evolve\" target=\"_blank\"><strong>evolve<\/strong><\/a>rsi con ogni nuova versione, introducendo miglioramenti e ottimizzazioni che ne migliorano ulteriormente le prestazioni. prestazioni e usabilit\u00e0. I recenti aggiornamenti di Spark si sono concentrati sul miglioramento delle sue capacit\u00e0 di machine learning, rendendo pi\u00f9 semplice per i data scientist <a href=\"\/tag\/cost\" target=\"_blank\"><strong>cost<\/strong><\/a>ruire e distribuire modelli di machine learning su larga scala. Integrando Spark con le pi\u00f9 diffuse librerie di machine learning come Tensor<a href=\"\/tag\/flow\" target=\"_blank\"><strong>f<a href=\"\/tag\/low\" target=\"_blank\"><strong>low<\/strong><\/a><\/strong><\/a> e scikit-learn, le organizzazioni possono sfruttare la potenza di elaborazione distribuita di Spark per addestrare modelli su set di dati di grandi dimensioni in modo efficiente.<\/p>\n<div class=\"entry-content-asset videofit\"><iframe loading=\"lazy\" title=\"Seamless Carbon Steel Pipe Hot Rolled 16mn Water Well Casing Oil,Seamless OCTG Oil Casing Pipe\" width=\"720\" height=\"405\" src=\"https:\/\/www.youtube.com\/embed\/1OEDUS9l2Hc?feature=oembed\" frameborder=\"0\" allow=\"accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share\" referrerpolicy=\"strict-origin-when-cross-origin\" allowfullscreen><\/iframe><\/div>\n<p><img decoding=\"async\" src=\"https:\/\/www.petroleumtube.com\/wp-content\/uploads\/2021\/12\/L80-API-5CT-Casing12.jpg\">Inoltre, l&#8217;integrazione di Apache Spark con altre tecnologie per big data come Apache Hadoop e Apache Kafka lo rende uno strumento versatile per la creazione di pipeline di elaborazione dati end-to-end. Integrandosi perfettamente con queste tecnologie, Spark consente alle organizzazioni di acquisire, elaborare e analizzare dati da una variet\u00e0 di fonti, semplificando la complessit\u00e0 dell&#8217;elaborazione dei big data.<\/p>\n<p>In conclusione, Apache Spark si distingue come un punto di svolta nel mondo dei big data. elaborazione di big data, offrendo una piattaforma potente e flessibile per la gestione di attivit\u00e0 di elaborazione dati su larga scala. Grazie alla sua velocit\u00e0 di elaborazione estremamente elevata, al supporto di pi\u00f9 linguaggi di programmazione e alle capacit\u00e0 di elaborazione dei dati in tempo reale, Spark continua a stimolare l&#8217;innovazione e a promuovere <a href=\"\/tag\/progress\" target=\"_blank\"><strong>progress<\/strong><\/a>i nelle tecnologie di elaborazione dei dati. Mentre le organizzazioni continuano ad affrontare le sfide dei big data, Apache Spark rimane un faro di speranza, fornendo loro gli strumenti di cui hanno bisogno per sbloccare il pieno potenziale delle loro risorse di dati.<\/p>\n<h1 id=\"unleashing-the-power-of-spark-tips-and-tricks-for-efficient-data-processing-wpaicgheading\"><span class=\"ez-toc-section\" id=\"Scatenare_la_potenza_di_Spark_suggerimenti_e_trucchi_per_unelaborazione_efficiente_dei_dati\"><\/span>Scatenare la potenza di Spark: suggerimenti e trucchi per un&#8217;elaborazione efficiente dei dati<span class=\"ez-toc-section-end\"><\/span><\/h1>\n<p>\nSpark, il potente motore di elaborazione dati, ha rivoluzionato il modo in cui gestiamo i big data. La sua capacit\u00e0 di elaborare grandi quantit\u00e0 di dati in modo rapido ed efficiente lo ha reso una scelta popolare tra ingegneri e ana<a href=\"\/tag\/list\" target=\"_blank\"><strong>list<\/strong><\/a>i di dati. Per sfruttare veramente la potenza di Spark, \u00e8 essenziale comprendere alcuni suggerimenti e trucchi che possono aiutarti a ottimizzare i flussi di lavoro di elaborazione dei dati.<\/p>\n<p>Un suggerimento chiave per un&#8217;elaborazione dati efficiente con Spark \u00e8 sfruttare la valutazione pigra. Utilizzando trasformazioni quali mappatura, filtro e riduzione, \u00e8 possibile creare pipeline di elaborazione dati complesse senza incorrere in inutili spese generali. La valutazione pigra consente a Spark di ottimizzare l&#8217;esecuzione di queste trasformazioni combinandole in un&#8217;unica fase quando possibile, riducendo il numero di attivit\u00e0 che devono essere eseguite.<\/p>\n<p>Un altro aspetto importante dell&#8217;elaborazione efficiente dei dati in Spark \u00e8 comprendere il concetto di partizionamento. Suddividendo attentamente i dati in base alle colonne chiave, puoi garantire che i dati correlati vengano elaborati insieme, riducendo al minimo lo spostamento e migliorando le prestazioni. Inoltre, la scelta del giusto numero di partizioni pu\u00f2 aiutare a distribuire il carico di lavoro in modo uniforme nel cluster, prevenendo ritardi e migliorando la velocit\u00e0 di elaborazione complessiva.<\/p>\n<p>Quando si lavora con Spark, \u00e8 fondamentale anche considerare i formati di serializzazione dei dati. La scelta del formato di serializzazione corretto pu\u00f2 avere un impatto significativo sulle prestazioni. Ad esempio, l&#8217;utilizzo della libreria di serializzazione Kryo pu\u00f2 migliorare le velocit\u00e0 di serializzazione e deserializzazione rispetto alla serializzazione Java predefinita. Ottimizzando le scelte di serializzazione, puoi ridurre il sovraccarico e migliorare l&#8217;efficienza dei <a href=\"\/tag\/process\" target=\"_blank\"><strong>process<\/strong><\/a>i Spark.<\/p>\n<p>Inoltre, la memorizzazione nella cache dei risultati intermedi pu\u00f2 aiutare a evitare calcoli ridon<a href=\"\/tag\/dan\" target=\"_blank\"><strong>dan<\/strong><\/a>ti e migliorare le prestazioni generali. Memorizzando nella cache RDD o DataFrames utilizzati pi\u00f9 volte nel flusso di lavoro, puoi evitare di ricalcolare gli stessi dati e accelerare le operazioni successive. Tuttavia, \u00e8 importante utilizzare la memorizzazione nella cache con giudizio, poich\u00e9 la memorizzazione nella cache di troppi dati pu\u00f2 causare problemi di memoria e ridurre le prestazioni.<\/p>\n<p>Oltre a questi suggerimenti tecnici, anche l&#8217;ottimizzazione della configurazione del cluster Spark pu\u00f2 avere un impatto significativo sulle prestazioni. I parametri di ottimizzazione come l&#8217;allocazione della memoria, i core dell&#8217;ese<a href=\"\/tag\/cut\" target=\"_blank\"><strong>cut<\/strong><\/a>ore e le partizioni casuali possono aiutare a massimizzare l&#8217;efficienza dei processi Spark. Comprendendo i requisiti di risorse del carico di lavoro e regolando di conseguenza questi parametri, puoi garantire che il tuo cluster funzioni al massimo delle prestazioni.<\/p>\n<p>In conclusione, Spark offre numerose funzionalit\u00e0 per un&#8217;elaborazione efficiente dei dati, ma sbloccare il suo pieno potenziale richiede un&#8217;attenta considerazione di vari suggerimenti e trucchi. Sfruttando la valutazione pigra, l&#8217;ottimizzazione del partizionamento, la scelta dei formati di serializzazione corretti, la memorizzazione nella cache dei risultati intermedi e l&#8217;ottimizzazione delle configurazioni dei cluster, puoi potenziare i flussi di lavoro di elaborazione dei dati e liberare la vera potenza di Spark.<\/p>\n<h1 id=\"diving-deep-into-sparks-ecosystem-a-comprehensive-guide-to-spark-components-wpaicgheading\"><span class=\"ez-toc-section\" id=\"Immergersi_profondamente_nellecosistema_di_Spark_una_guida_completa_ai_componenti_Spark\"><\/span>Im<a href=\"\/tag\/mergers\" target=\"_blank\"><strong>mergers<\/strong><\/a>i profondamente nell&#8217;ecosistema di Spark: una guida completa ai componenti Spark<span class=\"ez-toc-section-end\"><\/span><\/h1>\n<p>\nSpark, il potente sistema di calcolo distribuito open source, ha rivoluzionato l&#8217;elaborazione dei big data. Il suo ecosistema offre una vasta gamma di componenti che soddisfano le varie esigenze di elaborazione dei dati. Comprendere questi componenti \u00e8 fondamentale per sfruttare tutto il potenziale di Spark.<\/p>\n<p>Al centro dell&#8217;ecosistema di Spark si trova Spark Core, che fornisce le funzionalit\u00e0 di base per la pianificazione delle attivit\u00e0, la gestione della memoria e il ripristino degli errori. Questo componente fondamentale costituisce la spina dorsale delle capacit\u00e0 di elaborazione di Spark, consentendo un&#8217;elaborazione dei dati efficiente e affidabile su larga scala.<\/p>\n<p>Uno dei componenti chiave di Spark \u00e8 Spark SQL, che consente agli utenti di eseguire query SQL sui dati Spark. Questo componente integra perfettamente le query SQL con il motore di elaborazione di Spark, semplificando il lavoro degli analisti e dei data scientist con i dati strutturati all&#8217;interno dell&#8217;ecosistema Spark.<\/p>\n<p>Spark Streaming \u00e8 un altro componente <a href=\"\/tag\/vital\" target=\"_blank\"><strong>vital<\/strong><\/a>e che consente l&#8217;elaborazione in tempo reale dei dati in streaming. Fornendo supporto per varie origini dati come Kafka, Flume e Kinesis, Spark Streaming consente alle organizzazioni di elaborare e analizzare i dati in tempo reale, consentendo un processo decisionale tempestivo e la generazione di insight.<\/p>\n<p>Gli ap<a href=\"\/tag\/pass\" target=\"_blank\"><strong>pass<\/strong><\/a>ionati di machine learning trovano Spark MLlib un tesoro una miniera di algoritmi e utilit\u00e0 di apprendimento automatico. Questo componente semplifica lo sviluppo di pipeline scalabili di machine learning, facilitando il training di modelli su set di dati di grandi dimensioni e la loro distribuzione in ambienti di produzione.<\/p>\n<p>Le attivit\u00e0 di elaborazione dei grafici vengono semplificate con Spark GraphX, un componente che fornisce un&#8217;API per il calcolo dei grafici. Sfruttando GraphX, gli utenti possono eseguire analisi di grafici e algoritmi complessi su dati di grafici su larga scala, aprendo nuove possibilit\u00e0 per analizzare strutture di dati interconnesse.<\/p>\n<p>L&#8217;ecosistema di Spark include anche SparkR, che consente agli utenti di R di sfruttare la potenza di Spark per l&#8217;analisi dei dati e attivit\u00e0 di apprendimento automatico. Questo componente colma il divario tra R e Spark, consentendo agli appassionati di R di lavorare con set di dati di grandi dimensioni in modo efficiente ed efficace.<\/p>\n<p>Per coloro che sono interessati a semplificare i processi ETL, il componente <a href=\"\/tag\/structure\" target=\"_blank\"><strong>structure<\/strong><\/a>d Streaming di Spark offre un&#8217;API di alto livello per l&#8217;elaborazione del flusso. Questo componente semplifica lo sviluppo di pipeline di dati in tempo reale, semplificando l&#8217;elaborazione e la trasformazione dei dati in streaming con facilit\u00e0.<\/p>\n<p>Manutenzione dei sistemi di tubazioni dell&#8217;olio<\/p>\n<p>Infine, l&#8217;integrazione di Spark con origini dati esterne tramite connettori come Spark Cassandra Connector, Spark-HBase Connector e Spark-Kafka Connector ne migliora la versatilit\u00e0 e l&#8217;interoperabilit\u00e0 con vari sistemi di archiviazione dati, consentendo una perfetta integrazione ed elaborazione dei dati su <a href=\"\/tag\/diverse\" target=\"_blank\"><strong>diverse<\/strong><\/a> piattaforme.<\/p>\n<p>In In conclusione, l&#8217;ecosistema di Spark \u00e8 un ricco insieme di componenti che soddisfano le diverse esigenze di elaborazione dei dati. Approfondendo l&#8217;ecosistema di Spark e comprendendone i componenti, gli utenti possono sbloccare tutto il potenziale di Spark per le loro esigenze di elaborazione e analisi dei dati. Spark brilla davvero come strumento <a href=\"\/tag\/special\" target=\"_blank\"><strong>special<\/strong><\/a>e nel campo dell&#8217;elaborazione dei big data, offrendo agli utenti opportunit\u00e0 allettanti di scoprire e sfruttare le sue capacit\u00e0 per insight trasformativi sui dati e attivit\u00e0 di elaborazione.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Sparking <a href=\"\/tag\/innovation\" target=\"_blank\"><strong>innovation<\/strong><\/a>: esplorazione delle ultime funzionalit\u00e0 di Apache Spark Apache Spark \u00e8 emerso come un potente strumento nel campo dell&#8217;elaborazione&#8230;<\/p>\n","protected":false},"author":1,"featured_media":1825,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_kad_post_transparent":"default","_kad_post_title":"default","_kad_post_layout":"default","_kad_post_sidebar_id":"","_kad_post_content_style":"default","_kad_post_vertical_padding":"default","_kad_post_feature":"","_kad_post_feature_position":"","_kad_post_header":false,"_kad_post_footer":false,"footnotes":""},"categories":[1],"tags":[11181,11182,10542,10543,7340,7318,7303,7301,7295,7291,7272,7270,7247,7236,7223,7218,7214,7213,7206,7188,7183,7179,7180,7164,7160,7129,7117,7093,7080,7075,7073,7070,7066,7048,7041,7038,7032,6805,6806,6799,6795,6773,5358,4761,4762,4764,4756,4742,4734,4732,4730,4709,4707,4694,4690,4684,4673,4666,4664,4659,4648,4646,4647,4627,4623,4621,4616,4613,4615,4609,4602,4600,4598,4144,4147,4148,4128,4124,4119,4117,4110,4079,4069,4063,4047,4045,4048,4046,4033,4027,3995,3981,3978,3979,3918,3919,3914,3912,3902,3903,3896,3886,3887,3888,3883,3689,3682,3657,3651,3631,3616,3594,3587,3556,3555,3548,3547,3543,3528,3523,3521,3503,3491,3490,3484,3485,3486,1852,1855,1238,1188,1162,326,173,146,51,53,41],"translation":{"provider":"WPGlobus","version":"2.12.0","language":"it","enabled_languages":["en","es","de","fr","ru","it","pl","hi","th","ko","sv"],"languages":{"en":{"title":true,"content":true,"excerpt":false},"es":{"title":true,"content":true,"excerpt":false},"de":{"title":true,"content":true,"excerpt":false},"fr":{"title":true,"content":true,"excerpt":false},"ru":{"title":true,"content":true,"excerpt":false},"it":{"title":true,"content":true,"excerpt":false},"pl":{"title":true,"content":true,"excerpt":false},"hi":{"title":true,"content":true,"excerpt":false},"th":{"title":true,"content":true,"excerpt":false},"ko":{"title":true,"content":true,"excerpt":false},"sv":{"title":true,"content":true,"excerpt":false}}},"_links":{"self":[{"href":"https:\/\/www.petroleumtube.com\/it\/wp-json\/wp\/v2\/posts\/26319"}],"collection":[{"href":"https:\/\/www.petroleumtube.com\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.petroleumtube.com\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.petroleumtube.com\/it\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.petroleumtube.com\/it\/wp-json\/wp\/v2\/comments?post=26319"}],"version-history":[{"count":0,"href":"https:\/\/www.petroleumtube.com\/it\/wp-json\/wp\/v2\/posts\/26319\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.petroleumtube.com\/it\/wp-json\/wp\/v2\/media\/1825"}],"wp:attachment":[{"href":"https:\/\/www.petroleumtube.com\/it\/wp-json\/wp\/v2\/media?parent=26319"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.petroleumtube.com\/it\/wp-json\/wp\/v2\/categories?post=26319"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.petroleumtube.com\/it\/wp-json\/wp\/v2\/tags?post=26319"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}