黑马点评（达人探店）

达人探店

在这里插入图片描述

一、发布探店笔记

发布探店笔记功能是项目本身就完成了的功能，他会把图片存在本地，有兴趣可以去看源码，在UploadCOntroller类下
在这里插入图片描述

二、查看探店笔记

这个功能项目本身是没有完成这个接口的，所以需要我们自己去完成。
在这里插入图片描述

三、点赞功能

项目本身已经实现了点赞功能
在这里插入图片描述
项目原本的写法是通过点击点赞标识，直接向数据库发起请求，更新liked字段，并没有加任何判断。
在这里插入图片描述
这样看似没问题，但是却不符合逻辑，因为一个用户可以对同一篇笔记多次点赞，而现实应该是点一次赞，再点一次取消赞。
所以我们需要根据下面的需求更新代码：
在这里插入图片描述
使用redis的ZSet集合存储（key：被点赞的博客id，value：点赞的用户id）
在这里插入图片描述
使用Zset是为了后面方便按照用户的点赞时间排序（展示最先点赞的5个用户)

    /*** 点赞功能** @param id* @return*/@Overridepublic Result likeBlog(Long id) {ZSetOperations<String, String> opsForZSet = stringRedisTemplate.opsForZSet();//1.获取当前登录用户UserDTO user = UserHolder.getUser();//2.判断当前用户是否在点赞列表中String key = "blog:liked:" + id;Double score = opsForZSet.score(key, user.getId().toString());if (score == null) {//3.如果不在，则点赞//3.1 数据库对应blog的点赞数+1boolean isSuccess = this.update().setSql("liked = liked + 1").eq("id", id).update();//3.1 redis中blog对应的set集合添加当前用户if (isSuccess) {opsForZSet.add(key, user.getId().toString(), System.currentTimeMillis());}} else {//4.如果在，则取消点赞//4.1 数据库对应blog的点赞数-1boolean isSuccess = this.update().setSql("liked = liked - 1").eq("id", id).update();//4.2 redis中blog的set集合移除当前用户if (isSuccess) {opsForZSet.remove(key, user.getId().toString());}}return Result.ok();}/*** 判断当前用户有没有给传来的博客点过赞* @param blog*/private void isBlogLiked(Blog blog) {ZSetOperations<String, String> opsForZSet = stringRedisTemplate.opsForZSet();//1.获取当前登录用户UserDTO user = UserHolder.getUser();if (user == null) {//用户未登录return;}//2.判断当前用户是否在点赞列表中String key = "blog:liked:" + blog.getId();Double score = opsForZSet.score(key, user.getId().toString());blog.setIsLike(score != null);}

点赞排行榜

在redis中使用ZSet存储用户点赞情况，key为博客的id，value为给这个博客点赞的用户id，并且每个entry都有一个score，这个score为当前点赞时间的距离1970.1.1的毫秒数，使用range方法获取前五个点赞的用户id。拿着用户id去数据库查出它们的头像等信息并展示。

四、关注和取关

这里没有什么特别要说的，只是拿着前端传来的字段修改数据库

@Service
public class FollowServiceImpl extends ServiceImpl<FollowMapper, Follow> implements IFollowService {@ResourceStringRedisTemplate stringRedisTemplate;/*** 先判断是否关注，已关注则取关，未关注则关注** @param id* @param isFollow 传来的参数为true，则是要关注，false则是要取关* @return*/@Overridepublic Result follow(Long id, Boolean isFollow) {Long userId = UserHolder.getUser().getId();String key = "follows:" + userId;SetOperations<String, String> opsForSet = stringRedisTemplate.opsForSet();if (BooleanUtil.isTrue(isFollow)) {Follow follow = new Follow();follow.setFollowUserId(id);follow.setUserId(userId);follow.setCreateTime(LocalDateTime.now());this.save(follow);//关注后还要将被关注的用户id存在redis中opsForSet.add(key, String.valueOf(id));} else {LambdaQueryWrapper<Follow> lambdaQueryWrapper = new LambdaQueryWrapper<>();lambdaQueryWrapper.eq(Follow::getFollowUserId, id).eq(Follow::getUserId, userId);this.remove(lambdaQueryWrapper);//取消关注后还要将被取消关注的用户从redis的set集合中移除opsForSet.remove(key, id);}return Result.ok();}/*** 判断当前传来的用户是否被当前用户关注了* @param id* @return*/@Overridepublic Result isFollow(Long id) {Long userId = UserHolder.getUser().getId();
//        LambdaQueryWrapper<Follow> lambdaQueryWrapper = new LambdaQueryWrapper<>();
//        lambdaQueryWrapper.eq(Follow::getFollowUserId, id).eq(Follow::getUserId, userId);
//        Follow one = this.getOne(lambdaQueryWrapper);
//        if (one == null) {
//            return Result.ok(false);
//        } else {
//            return Result.ok(true);
//        }/*** 在添加了“关注后将关注用户id添加到redis存储”功能后，* 就不需要查询数据库来判断当前用户有咩有关注传来的用户了，直接在redis中判断*/String key = "follows:" + userId;Boolean member = stringRedisTemplate.opsForSet().isMember(key, String.valueOf(id));if (BooleanUtil.isTrue(member)) {return Result.ok(true);} else {return Result.ok(false);}}
}

共同关注

共同关注是指userA和userB两个人关注的列表中相同的用户。
这里选择使用redis的Set数据结构求交集。
那么在向数据库中保存前端传来的关注信息的同时，还需要将当前登录用户关注的用户id在redis中保存一份，例如：这里的意思是，用户1010关注了用户2。

    /*** 先判断是否关注，已关注则取关，未关注则关注** @param id* @param isFollow 传来的参数为true，则是要关注，false则是要取关* @return*/@Overridepublic Result follow(Long id, Boolean isFollow) {Long userId = UserHolder.getUser().getId();String key = "follows:" + userId;SetOperations<String, String> opsForSet = stringRedisTemplate.opsForSet();if (BooleanUtil.isTrue(isFollow)) {Follow follow = new Follow();follow.setFollowUserId(id);follow.setUserId(userId);follow.setCreateTime(LocalDateTime.now());this.save(follow);//关注后还要将被关注的用户id存在redis中opsForSet.add(key, String.valueOf(id));} else {LambdaQueryWrapper<Follow> lambdaQueryWrapper = new LambdaQueryWrapper<>();lambdaQueryWrapper.eq(Follow::getFollowUserId, id).eq(Follow::getUserId, userId);this.remove(lambdaQueryWrapper);//取消关注后还要将被取消关注的用户从redis的set集合中移除opsForSet.remove(key, id);}return Result.ok();}

在完成向数据库保存关注信息的同时向redis中存一份的功能后，
我们就可以获取用户1010，和用户1011的关注列表；
比如登录的用户是1010，他要查询他和1011的共同关注，只需要求他们两个关注列表的交集就可以了，使用redis的Set数据结构中的intersect方法就可以获得共同关注的userId。拿着id去数据库查用户头像，名称等信息。

    @Overridepublic Result getCommonFollows(Long id) {SetOperations<String, String> opsForSet = stringRedisTemplate.opsForSet();Long userId = UserHolder.getUser().getId();String key = "follows:" + userId;String key2 = "follows:" + id;Set<String> intersect = opsForSet.intersect(key, key2);if(intersect == null || intersect.isEmpty()){return Result.ok(Collections.emptyList());}List<Long> userIdCollect = intersect.stream().map(Long::valueOf).collect(Collectors.toList());List<User> users = baseMapper.selectBatchIds(userIdCollect);List<UserDTO> collect = users.stream().map(item -> BeanUtil.copyProperties(item, UserDTO.class)).collect(Collectors.toList());return Result.ok(collect);}

五、关注列表笔记推送

feed流

在这里插入图片描述

拉模式

拉模式是指张三，李四发布了笔记后，赵六查看收件箱时，会从发件箱拉取笔记到收件箱，再根据时间戳排序。这种模式又叫做读扩散，因为是等到要读的时候才拉取。
优点：
不占内存
缺点：
拉取耗时，因为要等到读的时候才拉取。
在这里插入图片描述

推模式

张三，李四在发送笔记时直接将笔记推到自己的所有粉丝的收件箱中。
优点：延时低，因为在发布笔记时就直接推给粉丝了，粉丝不必等打开收件箱时再拉取。
缺点：如果粉丝多，比如张三有一个亿的粉丝，那么他就需要推送一个亿份笔记，对内存要求较高
在这里插入图片描述

推拉结合

详情看视频
推拉结合
在这里插入图片描述
在这里插入图片描述

推模式的代码实现

实现思路

  • 用户A发布笔记，从数据库查出博主的粉丝id
  • 将笔记的id存到每个粉丝的收件箱中（收件箱是redis的一个ZSet集合，key为“feed:userId，value为博客id）
  • 使用ZSet是为了排序，score值设置为当前时间戳
    代码：
    /*** 保存笔记，并且将笔记的id发送给笔记发布者的粉丝** @param blog* @return*/@Overridepublic Result saveBlog(Blog blog) {// 1.获取登录用户UserDTO user = UserHolder.getUser();blog.setUserId(user.getId());// 2.保存探店博文boolean save = blogService.save(blog);if (save) {ZSetOperations<String, String> ops = stringRedisTemplate.opsForZSet();//3.查询笔记发布者的所有粉丝 select * from tb_follow where follow_user_id = ?LambdaQueryWrapper<Follow> lambdaQueryWrapper = new LambdaQueryWrapper<>();lambdaQueryWrapper.eq(Follow::getFollowUserId, user.getId());List<Follow> list = followService.list(lambdaQueryWrapper);//4.推送笔记id给粉丝for (Follow follow : list) {//4.1 获取粉丝idLong userId = follow.getUserId();//4.2 推送ops.add(RedisConstants.FEED_KEY + userId, blog.getId().toString(), System.currentTimeMillis());}}// 5.返回笔记idreturn Result.ok(blog.getId());}

用户A发布了一篇笔记
在这里插入图片描述
则用户B的收件箱会收到博客id
在这里插入图片描述

实现粉丝关注页面的分页查询功能（滚动分页）

滚动分页原理分析
上面使用推模式将笔记id推送到了粉丝的收件箱，这一节我们将会根据笔记id查出笔记，并且会根据时间排序。
在这里插入图片描述
在这一节中会使用到ZSet的很多命令，我们先模拟一些数据，来测试一下滚动分页和普通分页的区别
数据：
在这里插入图片描述
操作：
先测试按照角标查询
倒序查询，并且结果带上分数
在这里插入图片描述
添加一条数据，再查询3条数据
此时我们使用zrevrange查询倒数3至5条数据(从0开始的），按照我们的想法，预期结果应该是3，2，1。但是结果却是4，3，2。这样导致数据4又被查询了一遍。
可能有人会说，再查一边就再查一边呗，没影响。
影响可大了，因为在实际使用中，推文或者博客的发布速度很快，可能短时间内就会发布很多条，那么作为粉丝/用户，就可能存在永远都刷不到3，2，1这三条数据。

在这里插入图片描述
按照分数查询
按照角标查询会出现重复查询的问题，所以我们需要使用按照分数查询，Zset提供了这样的命令
在这里插入图片描述
这条命令的含义是从分数最大值1000开始查询，一直到0，limit后面的0是指偏移量，3为个数限制。
因为前面插入了一条数据，所以结果是7，6，5
在这里插入图片描述
这里再插入一条数据，查询时，max参数使用上次查询结果的最后一条数据的分数，min参数还是0，limit的offset参数切换为1，因为5是上次查询的结果，不需要再次查询了，所以偏移量设置为1，限制个数还是3。
查询结果为4，3，2
这里可以看到，使用分数分页查询，就不会出现重复查询的情况了
在这里插入图片描述
但是这样还是会出现一个情况，就是当数据的分数相同时，limit的参数offset会发生改变，会变成相同分数的个数，具体情况看视频的第10分钟后的内容redis Zset实现滚动查询

根据上面的情况总结出来命令的各个参数应该填什么：
在这里插入图片描述
下面我们将会实现这个接口
在这里插入图片描述
本次查询推送的最小时间戳会作为下次查询的lastId。
我们需要封装一个类来存放返回值。

package com.hmdp.dto;import lombok.Data;import java.util.List;@Data
public class ScrollResult {private List<?> list;private Long minTime;private Integer offset;
}

BlogController接口

    @GetMapping("/of/follow")public Result queryBlogOfFollow(@RequestParam("lastId") Long max,@RequestParam(value = "offset",defaultValue = "0") Integer offset){return blogService.queryBlogOfFollow(max,offset);}

写在BlogService中的滚动分页方法

/*** 查询用户的关注者发布的笔记** @param max    上次查询结果的分数的最小值* @param offset 偏移量* @return*/@Overridepublic Result queryBlogOfFollow(Long max, Integer offset) {//1.获取当前用户UserDTO user = UserHolder.getUser();//2.查询收件箱ZSetOperations<String, String> szo = stringRedisTemplate.opsForZSet();Set<ZSetOperations.TypedTuple<String>> typedTuples = szo.reverseRangeByScoreWithScores(RedisConstants.FEED_KEY + user.getId(), 0, max, offset, 2);//3.非空判断if (typedTuples == null || typedTuples.isEmpty()) {return Result.ok();}//4.解析数据：blogId,score(时间戳),offset（需要我们从查出来的数据进行计算，得到偏移量）ArrayList<Long> blogIds = new ArrayList<>();long min = 0L;int returnOffset = 1;for (ZSetOperations.TypedTuple<String> typedTuple : typedTuples) {//获取blogIdLong id = Long.valueOf(Objects.requireNonNull(typedTuple.getValue()));blogIds.add(id);//获取时间戳，计算偏移量Long score = Objects.requireNonNull(typedTuple.getScore()).longValue();if (score == min) {returnOffset++;} else {min = score;returnOffset = 1;}}//5.查询博客String idStr = StrUtil.join(",", blogIds);List<Blog> blogs = query().in("id", blogIds).last("ORDER BY FIELD(id," + idStr + ")").list();for (Blog blog : blogs) {//查询出博客的用户信息queryBlogUser(blog);//查询出当前用户对博客的点赞情况isBlogLiked(blog);}//6.封装结果ScrollResult scrollResult = new ScrollResult();scrollResult.setList(blogs);scrollResult.setOffset(returnOffset);scrollResult.setMinTime(min);return Result.ok(scrollResult);}

六、附近商户

GEO数据结构

练习：

在这里插入图片描述
1.添加上面的北京火车站地理信息
在这里插入图片描述
在redis中数据以Zset的形式存储
在这里插入图片描述

2.计算北京西站到北京站的距离
默认距离单位是 米
在这里插入图片描述
3.搜索天安门（116.397904 39.909005）附近10km内的所有火车站，并按照距离升序
我安装的redis是6.2版本之前的，所以只能使用georadius命令
在这里插入图片描述

附近商户搜索

在这里插入图片描述
数据库中的shop表存储了店铺的信息，将店铺的id和坐标存入geo数据结构，然后从redis中获取店铺的id（按照离当前用户的坐标的距离远近排序），然后根据店铺id从数据库中查询店铺的信息。
在这里插入图片描述
但是在使用时，我们查询店铺的信息都是按照店铺类型进行查询的，比如查询美食类，查询ktv类，所以在将店铺信息向redis中存储时还需要根据店铺类型进行分组。
在这里插入图片描述
编写一个单元测试，将数据库中的店铺id和地理信息存入redis

    /*** 将店铺的地理信息存入redis*/@Testvoid loadShopData(){GeoOperations<String, String> geoOps = stringRedisTemplate.opsForGeo();//1.查询店铺信息List<Shop> list = shopServiceImpl.list();//2.把店铺分组，按照typeId分组，typeId一致的分到一个geo集合中//TODO 这是Stream流的写法，非常优雅，可以花时间学习一下 通过店铺类型id分类 生成一个map集合Map<Long, List<Shop>> collect = list.stream().collect(Collectors.groupingBy(Shop::getTypeId));//3.分批完成，写入redisSet<Map.Entry<Long, List<Shop>>> entrySet = collect.entrySet();for (Map.Entry<Long, List<Shop>> longListEntry : entrySet) {Long key = longListEntry.getKey();List<Shop> value = longListEntry.getValue();//这样的话，每个店铺都要向redis发起一次请求
//            for (Shop shop : value) {
//                Long id = shop.getId();
//                Double x = shop.getX();
//                Double y = shop.getY();
//                geoOps.add(RedisConstants.SHOP_GEO_KEY+key,new Point(x,y),id.toString());
//            }//批量插入List<RedisGeoCommands.GeoLocation<String>> locations = new ArrayList<>();for (Shop shop : value) {Long id = shop.getId();Double x = shop.getX();Double y = shop.getY();locations.add(new RedisGeoCommands.GeoLocation<String>(id.toString(),new Point(x,y)));}geoOps.add(RedisConstants.SHOP_GEO_KEY+key,locations);}}

结果显示存入了两个店铺分类1和2
在这里插入图片描述
编写接口和业务代码
在这里插入图片描述

    /*** 根据商铺类型分页查询商铺信息* @param typeId 商铺类型* @param current 页码* @return 商铺列表*/@GetMapping("/of/type")public Result queryShopByType(@RequestParam("typeId") Integer typeId,@RequestParam(value = "current", defaultValue = "1") Integer current,@RequestParam(value = "x",required = false) Double x,@RequestParam(value = "y",required = false) Double y) {return shopService.queryShopByTypeId(typeId,current,x,y);
//        // 根据类型分页查询
//        Page<Shop> page = shopService.query()
//                .eq("type_id", typeId)
//                .page(new Page<>(current, SystemConstants.DEFAULT_PAGE_SIZE));
//        // 返回数据
//        return Result.ok(page.getRecords());}/*** 根据店铺的TypeId查询店铺信息** @param typeId  店铺类型id* @param current 当前要获取数据的页码* @param x       当前用户的经度* @param y       当前用户的纬度* @return*/@Overridepublic Result queryShopByTypeId(Integer typeId, Integer current, Double x, Double y) {//1.判断是否需要根据坐标查询if (x == null || y == null) {// 根据类型分页查询Page<Shop> page = shopService.query().eq("type_id", typeId).page(new Page<>(current, SystemConstants.DEFAULT_PAGE_SIZE));// 返回数据return Result.ok(page.getRecords());}//2.计算分页参数//这个是分页参数的计算公式int from = (current - 1) * SystemConstants.DEFAULT_PAGE_SIZE;int end = current * SystemConstants.DEFAULT_PAGE_SIZE;//3.查询redis，按照距离排序，分页 结果：shopId，distanceRedisGeoCommands.GeoRadiusCommandArgs args = RedisGeoCommands.GeoRadiusCommandArgs.newGeoRadiusArgs()//创建一个新的GeoRadiusCommandArgs对象.includeDistance()//查询结果包含与中心点的距离.limit(end);//查询从0开始到end结束的数据，所以分页还需要我们手动做逻辑分页GeoResults<RedisGeoCommands.GeoLocation<String>> results = stringRedisTemplate.opsForGeo().radius(RedisConstants.SHOP_GEO_KEY + typeId,new Circle(new Point(x, y), 5000),args);//非空判断if(results == null){return Result.ok(Collections.emptyList());}List<GeoResult<RedisGeoCommands.GeoLocation<String>>> list = results.getContent();//如果查询出来的数据不足from个，则返回空,因为后续操作会使用strem流的skip对数据进行跳过，如果跳过了超出数据个数的次数，在stream流中的操作将会引发空指针if(list.size() <= from){return Result.ok(Collections.emptyList());}//4.解析出商户id//这里使用stream跳过from条数据是在做逻辑分页List<Long> ids = new ArrayList<>();//存储店铺idMap<Long,Distance> map = new HashMap<>();//存储店铺和店铺距离中心点的距离list.stream().skip(from).forEach(result ->{String id = result.getContent().getName();//获取店铺idDistance distance = result.getDistance();//获取店铺距离中心点的距离ids.add(Long.valueOf(id));map.put(Long.valueOf(id),distance);});//5.根据商户id查询数据库 这里要根据ids中的id顺序查询数据库String idStr = StrUtil.join(",",ids);List<Shop> shops=query().in("id",ids).last("ORDER BY FIELD(id,"+idStr+")").list();for (Shop shop : shops) {Long id = shop.getId();shop.setDistance(map.get(id).getValue());}//6.返回结果return Result.ok(shops);}

七、用户签到

bitmap签到用法

在这里插入图片描述

bitmap数据结构

在这里插入图片描述

练习：

使用bitset向ket为b的bitmap中添加数据，第0、1、2、4位设置为了1，第3位默认为0.
在这里插入图片描述
使用bitget查看，第0、1、2、4位都是1，第3位是0
在这里插入图片描述
使用bitfield查看多位
在这里插入图片描述
在这里插入图片描述
bitfield命令后面的参数很多，我们只想要他的查看功能
b是数据的key，get是查看，u是结果以无符号数字展示（对应的有i，有符号数字），u后面跟着的3是指查看几位，0是offset是指从第几位查起。
结果是7，我们前面插入的数据是11101，从0位开始查看3个，即111，转为十进制数就是7

签到功能实现

在这里插入图片描述
在这里插入图片描述

    @PostMapping("/sign")public Result sign(){return userService.sign();}/*** 用户签到* @return*/@Overridepublic Result sign() {//1.获取当前登录用户UserDTO user = UserHolder.getUser();//2.获取当前日期LocalDateTime now = LocalDateTime.now();//获取年月String format = now.format(DateTimeFormatter.ofPattern("yyyy/MM"));//3.获取当前是该月第几天int dayOfMonth = now.getDayOfMonth();//4.拼接key前缀String key = USER_SIGN_KEY+user.getId()+format;//5.写入redisstringRedisTemplate.opsForValue().setBit(key,dayOfMonth-1,true);//月份中的天数是从1开始，而bitmap的第一位是0//6.返回结果return Result.ok();}

统计连续签到天数

在这里插入图片描述
问题2中的0是偏移量，dayOfMonth是今天是当前月的第几天，是指从0开始取多少个bit位。
重点：问题3，使用位运算
在这里插入图片描述

    /*** 统计当前用户本月截至今天连续签到天数* @return*/@GetMapping("/sign/count")public Result signCount(){return userService.signCount();}/*** 统计本月截至今天，连续签到天数** @return*/@Overridepublic Result signCount() {//1.获取当前用户UserDTO user = UserHolder.getUser();//2.获取当前年月LocalDateTime now = LocalDateTime.now();String format = now.format(DateTimeFormatter.ofPattern("yyyy/MM"));//3.获取当前是本月第几天int dayOfMonth = now.getDayOfMonth();//4.获取bitmap中从0开始当今天代表的bit序列（得到一个十进制数String key = USER_SIGN_KEY + user.getId() + format;List<Long> list = stringRedisTemplate.opsForValue().bitField(key,BitFieldSubCommands.create().get(BitFieldSubCommands.BitFieldType.unsigned(dayOfMonth)).valueAt(0));//为什么会得到一个list呢，因为bitField命令里面还有很多子命令，可能会用到多个子命令，会有多个结果，所以结果是一个list，if (list == null || list.size() == 0) {//返回结果为空，直接返回一个0，代表连续签到天数为0return Result.ok(0);}Long result = list.get(0);if(result==null){return Result.ok(0);}//5.遍历循环，统计本月截至今天，连续签到天数int count = 0;while(true){Long x = result & 1;if(x == 0){//如果当前bit序列最后一位是0，说明断签，退出循环break;}else {count++;//如果不为0，则count++ 连续签到天数加1result >>= 1;//bit序列右移一位，抛弃最后一个bit位，继续判读下一个bit位}}//6.返回结果return Result.ok(count);}

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.hqwc.cn/news/8918.html

如若内容造成侵权/违法违规/事实不符，请联系编程知识网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

MySQL体系结构及各结构的功能

MySQL体系结构及各结构的功能

MySQL体系结构 MySQL的体系结构实际就是MySQL数据库是由那些部分构成&#xff0c;每个部分的具体作用是什么。 Connectors&#xff1a; 用于不同的编程语言连接MySQL数据库&#xff0c;即对外提供的API。 Management Service &Utilities&#xff1a; 用于管理系统&…
阅读更多...
MySQL不常用但非常实用的函数在项目中的应用

MySQL不常用但非常实用的函数在项目中的应用

MySQL内置了不少函数&#xff0c;利用这些函数可以很好地在进行数据查询时候&#xff0c;进行数据处理&#xff0c;如果要查看MySQL所有的内置函数&#xff0c;可以在官网的文档中&#xff1a;Built-In Function and Operator Reference 有很详细的表格&#xff0c;列举了所有…
阅读更多...
Redis【实战篇】---- 分布式锁

Redis【实战篇】---- 分布式锁

Redis【实战篇】---- 分布式锁 1. 基本原理和实现方式对比2. Redis分布式锁的实现核心思路3. 实现分布式锁版本一4. Redis分布式锁误删情况说明5. 解决Redis分布式锁误删问题6. 分布式锁的原子性问题7. Lua脚本解决多条命令原子性问题8. 利用Java代码调试Lua脚本改造分布式锁 1…
阅读更多...
5分钟了解制造核心5大系统的联系

5分钟了解制造核心5大系统的联系

本篇&#xff0c;我们来快速了解一下制造行业核心的5大系统MES、ERP、WMS、PLM和SCADA究竟有怎么样的关系&#xff0c;它们是如何连接的。 上图粗略描述了MES、ERP、WMS、PLM和SCADA五大系统之间的连接关系。 不过&#xff0c;我们先从ERP系统开始&#xff0c;因为这是大部分制…
阅读更多...
C# 泛型List排序的实现

C# 泛型List排序的实现

本文主要介绍了C# 泛型List排序的实现&#xff0c;分享给大家&#xff0c;具体如下&#xff1a; 代码 ? 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 5…
阅读更多...
网络知识点之-STP协议

网络知识点之-STP协议

STP&#xff08;Spanning Tree Protocol&#xff09;是生成树协议的英文缩写&#xff0c;可应用于计算机网络中树形拓扑结构建立&#xff0c;主要作用是防止网桥网络中的冗余链路形成环路工作。但某些特定因素会导致STP失败&#xff0c;要排除故障可能非常困难&#xff0c;这取…
阅读更多...
深度学习准确率提升之天花板分析

深度学习准确率提升之天花板分析

案例1 OCR文字识别流水线主要分为三个模块&#xff1a;文字检测->字符分割->字符识别 训练完成后整个系统的准确率是72%&#xff0c;需要进一步提升准确率就需要单独分析每个模块的提升空间。 1&#xff09;对于文件检测模块&#xff0c;把训练集的图像人工确保标注准…
阅读更多...
什么是倒排索引

什么是倒排索引

什么是倒排索引 搜索的核心需求是全文检索&#xff0c;全文检索简单来说就是要在大量文档中找到包含某个单词出现的位置&#xff0c;在传统关系型数据库中&#xff0c;数据检索只能通过 like 来实现&#xff0c;例如需要在酒店数据中查询名称包含公寓的酒店&#xff0c;需要通…
阅读更多...
【qiankun】前端微服务架构踩坑记录

【qiankun】前端微服务架构踩坑记录

目录 前言 1.Cannot GET /cooperation/board 场景&#xff1a; 分析 解决 2.Invalid options in vue.config.js:"css.requireModuleExtension" is not allowed 原因 解决 3.less版本升级导致除法写法未转换 原因 解决 4.主子应用样式隔离 场景 解决 5…
阅读更多...
【Web3】认识区块链

【Web3】认识区块链

目录 区块链特征 区块链类型 区块链的概念 区块链特征 去中心化&#xff1a;区块链是由一个分布在多个参与者之间的网络组成&#xff0c;没有中央机构或中介控制整个系统。所有参与者共同维护和验证账本的完整性&#xff0c;减少了单点故障和集中式控制的风险。共识机制&…
阅读更多...
【案例实战】SpringBoot整合Redis的GEO实现查找附近门店功能

【案例实战】SpringBoot整合Redis的GEO实现查找附近门店功能

像我们平常美团点外卖的时候&#xff0c;都会看到一个商家距离我们多少米。还有类似QQ附近的人&#xff0c;我们能看到附近的人距离我们有多少米。 那么这些业务是怎么做的呢&#xff1f;是如何实现 基于位置的附近服务系统呢。 在去了解基于位置的附近服务之前&#xff0c;我…
阅读更多...
时序预测 | MATLAB实现PSO-GRU(粒子群优化门控循环单元)时间序列预测

时序预测 | MATLAB实现PSO-GRU(粒子群优化门控循环单元)时间序列预测

时序预测 | MATLAB实现PSO-GRU(粒子群优化门控循环单元)时间序列预测 目录 时序预测 | MATLAB实现PSO-GRU(粒子群优化门控循环单元)时间序列预测预测效果基本介绍模型介绍PSO模型GRU模型PSO-GRU模型 程序设计参考资料致谢 预测效果 基本介绍 Matlab基于PSO-GRU粒子群算法优化门…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023